X2CT-CLIP：基于三模态对比学习实现从胸部X光片到CT的多异常检测

计算机断层扫描（CT）是诊断的关键成像模态，但其高辐射暴露和长周转时间限制了临床效用，使其难以用于大规模筛查。尽管胸部X光摄影（CXR）更易获取且更安全，但现有的CXR基础模型主要侧重于检测在CXR上容易可见的疾病。近期有研究探索了在模拟CXR上训练疾病分类模型，但仍局限于从CT中识别单一疾病类型。CT基础模型也已出现，在CT病理检测方面有显著改善。然而，将CT衍生标签泛化应用于CXR仍难以实现。本研究提出X2CT-CLIP，这是一个三模态知识迁移学习框架，通过在潜在空间中精心设计的三模态对齐机制，将3D CT体积及相关放射学报告的知识迁移到CXR编码器，从而弥合CT与CXR之间的模态差距，同时减少模型训练的计算负担。我们的方法是首个通过利用CXR实现CT多异常分类的工作。在三个多标签CT数据集上的广泛评估表明，我们的方法在跨模态检索、少样本适应和外部验证方面均优于SOTA基线。这些结果突显了融入CT衍生知识的CXR作为资源有限环境下疾病检测可行且高效替代方案的潜力。