公共卫生与医疗运营
突破级
暂无讲解视频
收录解读
这篇论文解决的是医疗影像里一个很实际的瓶颈：高价值 3D CT 任务很多，但高质量标注极其稀缺，尤其是少见疾病更难做出可泛化模型。作者没有继续沿着“多做一点标注、多刷几个下游任务”的路径走，而是直接构建了头颅 CT 的 self-supervised foundation model。
FM-HCT 用 361,663 例无人工标注的 3D 非增强头颅 CT 预训练，目标是学到跨病种、跨任务更稳健的表征，再迁移到具体诊断任务。摘要显示它相对从头训练和先前的 3D CT foundation model 都有明显提升，说明这不是单一任务调参，而是底层表征层面的改进。
它值得正式收录，因为这是典型的 AI 改变医学 workflow 的工作：把昂贵标注依赖转成大规模自监督预训练，把模型能力从单病种 detector 推到更通用的 imaging backbone。对于医用 foundation model、低标注迁移和临床场景泛化都很有参考价值。
它没有升到更高等级，是因为影响范围目前仍集中在 head CT 这一重要但特定的模态/部位，是否能进一步成为更广泛 3D 医学影像基础模型范式，还要看后续跨机构、跨设备和更多临床任务验证。