EchoTab：通过表格重建学习以测量为基础的表征，用于超声心动图诊断

arXiv:2610.13599v1 公告类型：新论文 摘要：在超声心动图等多视图医学影像检查中，诊断信息分布于不同视图中，每个视图捕捉心脏结构和功能的不同方面。在临床实践中，医生首先通过定量测量解读这些视图，再依据测量结果作出具体诊断。然而，现有的超声心动图表征学习方法并未将测量显式建模为视图与诊断之间的中间表征。因此，各项测量未能以可供下游诊断任务选择性使用的形式得到显式表示，从而妨碍了准确诊断。受这种分层临床工作流程的启发，我们提出了 EchoTab，这是一种以测量为基础的表征学习框架，使用测量特定的词元来表示多视图超声心动图检查，并将其作为超声心动图视图与诊断之间的中间表征。每个测量词元选择性地关注与其估计相关的视图，并通过表格重建进行训练，以预测对应的测量值。由此得到的词元构成一种因子化的超声心动图表征，编码了具有临床意义的结构和功能特征，可供下游诊断选择性使用。与常用的对比学习方法不同，EchoTab 不需要负样本或大批量训练。在两个数据集上的实验表明，EchoTab 能够学习有效的、以测量为基础的表征，从而提升多视图超声心动图的诊断分类性能；其学习到的注意力也与心脏科医生所采用的既定测量与视图对应关系一致。我们的代码可在 https://github.com/michelleespranita/EchoTab 获取。