医学视觉-语言预训练依赖成对的影像与放射报告，但扫描仪和采集协议的差异会削弱迁移。Meta-CLIP把DICOM头里被忽视的结构化采集信息用作训练时的先验：以数值与类别字段上的核函数定义有界的两两间隔，在预训练中重新加权跨模态负样本，推理时仍走标准双编码器、不需要元数据。在CT-RATE上，其宏AUROC比CT-CLIP高1.41个点，95%配对自助法置信区间为0.96至1.85个点；在五个胸片基准中的四个上取得最高宏AUROC。
SentZero 是一个以句子为中心的胸部 X 光视觉-语言预训练框架：它用大语言模型把放射报告中的短语抽取并映射为“主题-存在性”的抽象句以扩充正样本对，用一项辅助损失把最相似的图像补丁拉向跨研究重复出现的临床句子以缓解假阴性，并对视觉嵌入施加句子条件化的残差调制；在 MIMIC-CXR 上预训练后，它在 Open-I、ChestXray14、PadChest、ChestXDet10、CheXpert 的零样本多标签分类和 ChestXDet10、MS-CXR 的零样本定位上多数指标优于此前的多任务零样本方法。
该工作提出层级扩散分类器（HDC），利用数据集标签的父子层级结构，在剪枝阶段逐层用较少的蒙特卡洛采样估计ε-预测误差并只保留误差最低的若干节点，再对保留下来的叶节点执行经典扩散分类，从而在ImageNet-1K上以Stable Diffusion 2.0实现约60%的推理加速（1600秒降至650秒）或在几乎不增加时间的情况下把逐类准确率从64.90%提升到65.16%。
已读完全部报道