ΔRepresentation 用反事实推理把病灶表型建模为相对正常解剖的表征增量，在六个医学 VLM 上同时提升病灶定位与表型识别
该工作提出 ΔRepresentation，一个面向医学视觉语言模型的视觉表型表征学习框架：BaseAnatomy 用理想空间分布对正常解剖表征施加几何监督，Phenotype 通过反事实推理估计病灶块对应的正常解剖参考并学习表型特异的表征增量，使同一表型的增量在表征空间中聚集。在 ReXGroundingCT 与 LIDC-IDRI 上，该方法在六个预训练医学 VLM 上一致提升病灶定位与表型识别准确率。