在90万张CT/MRI切片上训练的稀疏自编码器把医学影像基础模型的稠密嵌入拆成可语言描述的概念，10个特征即恢复87.8%下游性能
该研究在TotalSegmentator数据集的909,873张CT与MRI二维切片上，对冻结的BiomedParse（生物医学）与DINOv3（通用）基础模型嵌入训练Matryoshka稀疏自编码器（BatchTopK稀疏化），并设随机权重基线，发现稀疏特征能以最高R2=0.941重建原始嵌入、仅用10个特征即恢复87.8%下游性能（99.4%降维）、以5特征指纹保留97.7%稠密检索质量、经独立大模型评判对应可语言表达的单义概念，并在单条临床文本查询上实现零样本语言驱动图像检索。