肿瘤胸腹盆CT有了专用基础模型：在目标人群上，AUC从0.695升到0.767

肿瘤患者的胸腹盆CT现在有了按这一临床场景训练的基础模型，在胸腹盆全覆盖与肿瘤两个子集上，疾病分类表现超过所有对照模型。 此前的CT基础模型要么只覆盖单一解剖区域，如只训练胸部或只训练腹盆部，要么虽覆盖更广，却缺少肿瘤富集的训练数据。 在胸腹盆全覆盖子集上，CAPTOR的AUC为0.767（95%置信区间0.734–0.793），次优模型为0.695（0.645–0.736）；在肿瘤子集上为0.784（0.759–0.805），次优为0.734（0.703–0.767），差异均p<0.001。

模型不把整段扫描压成一张图，而是先按器官和解剖区域切块，再为每块单独生成表示，因此同一套结构能处理完整的胸腹盆检查。 此前的区域模型采用固定的中心裁剪，难以覆盖胸腹盆全程，也难以处理一次检查包含多个序列的情况。 裁剪位置由TotalSegmentator的分割掩膜确定，训练时每个批次轮换一个解剖区域，并在轮次之间打乱，使每项检查的各区域裁剪都能被看到；预训练数据来自北美、欧洲和亚洲11家机构。

结果覆盖的是检查级理解：模型把大范围解剖区域汇总为单个检查级表示，用于疾病分类、两年生存预测和图像检索，不用于病灶定位或病灶特征描述。评估在内部多中心测试集与公开数据集上进行，分类按解剖覆盖和肿瘤与非肿瘤指征分层。代码与模型权重已公开，可供复现训练与推理流程。

这是一项回顾性研究，没有前瞻性验证。参考标签由大语言模型从报告中自动抽取，抽取质量在公开数据集上评估，并人工复核了25份随机报告，原始报告的遗漏与模型错误仍可能在大规模上引入标签噪声。四个外部肿瘤队列样本量较小，配对比较的统计功效有限。模型在非肿瘤胸部CT数据集上被通用模型超过，说明面向特定场景的专门化可能以其他影像人群上的表现为代价。