QureRadEmbed：通过属性和推理监督构建放射学相似性

放射学相似性取决于疾病关系和细节，例如偏侧性、肺叶、严重程度、大小和确定性。广泛的生物医学相似性可能会忽略这些限定条件，特别是当几个属性同时变化时。我们引入了 QureRadEmbed，这是一种使用两个互补信号进行训练的 4B 放射感知编码器：RadSim 提供确定性的属性分解排名目标，而 RadThought 将报告与分层证据和推理描述对齐。三阶段课程将这些信号与报告三元组、发现扰动以及单属性和跨属性对比相结合。最终模型在 10 个受控合成属性上实现了 0.996 的平均排序精度，并将与设计的联合属性目标的 Spearman 相关性从 0.501 提高到 0.976。在外部结果到印象检索方面，Recall@1 在 Open-I 上达到 10.5%，在测试 XR 上达到 12.4%，在测试 CT 上达到 42.9%，而其骨干网的达到 6.6%、5.7% 和 31.4%。冻结嵌入支持仅使用 100 个标记的测试 XR 报告来查找提​​取（宏观 F1 0.481 与骨干网 0.412）。在我们的基准测试中，每 1,000 对整个报告的比较需要 8.8 秒，而生成评估器 GREEN 需要 2,755.1 秒。句子级比较提高了对局部差异的敏感性，尽管生成评估在一些专家评分和细微错误任务上仍然更强。结果支持可重复使用的放射学感知表示形式以进行搜索、结构化报告索引和高效报告比较。