Percival：面向CT的视觉-语言模型，在Penn Medicine BioBank的436,787个容积上做对比学习意味着什么
宾夕法尼亚大学的研究团队训练了Percival模型，让它学会把三维CT扫描与对应的放射科报告配对，训练数据来自Penn Medicine BioBank的436,787个CT容积。与两个不使用文本训练的对比模型相比，它学到的表征能更好地预测诊断和预后，但提升并不均衡：在胸部CT测试的702个诊断中，Percival仅在279个诊断上是四种方法中表现最好的。应把它看作一个有前景的研究模型，其验证几乎完全局限于单一医疗系统。
背景
CT（计算机断层扫描）是由数百万个点组成的三维容积。分析CT的AI模型通常针对单一狭窄任务训练：检测肺结节、分割肝脏、测量冠状动脉钙化。每项任务都需要专家标注，成本高昂。
近年出现的替代思路是构建foundation model（基础模型）：一个不针对具体任务、只训练一次的大模型，其内部表征随后可作为许多应用的起点。CT领域此前有两类。"纯视觉"模型（如CT-FM）只从图像中学习；多器官分割模型（如TotalSegmentator）被训练去勾画几十种解剖结构。Percival探索第三条路：把放射科医生已为每次检查写好的报告当作免费的监督信号。这就是CLIP的思路，被迁移到三维医学影像上。
方法
Percival是一个双分支的视觉-语言模型（VLM）。图像分支是vision transformer（ViT），这种架构把图像切成小块，再学习各块之间的关系。这里的小块是16 x 16 x 8体素的立方体（体素即三维容积中的"像素"），输入的CT被标准化为平面352 x 352像素、128层。模型有三种规模：Tiny（600万参数）、Small（2200万）和Base（8600万）。文本分支是CXR-BERT，一个在放射学文本上预训练的语言模型。
训练采用对比学习：对每一批检查，模型要在共同的数学空间中把每份CT与它自己的报告拉近，把不匹配的配对推远。模型从未被告知"去找胰腺癌"，它只是借助放射科医生写下的内容，学习区分不同检查。
数据来自Penn Medicine BioBank（PMBB），涵盖该医疗系统的多家医院：训练集为51,966名参与者的436,787个容积，验证集为20,599名参与者的123,603个容积，共72,565名参与者。划分似乎是在参与者层面进行的，这可以减少两个集合之间的数据泄漏。检查涵盖多种解剖部位、增强期相和扫描仪类型。
随后模型被冻结，并通过线性探针评估：只在其表征之上训练一个非常简单的分类器。如果这个分类器表现好，说明有用的信息本来就在表征里。"标签"是phecode，即电子病历中诊断编码的归类：胸部CT为702个，腹盆腔CT为624个。
结果
机器学习指标。在胸部CT上，平均AUC（模型把一个阳性病例排在随机阴性病例之上的概率）在循环系统疾病为0.84，呼吸系统为0.83，肿瘤为0.84，不同诊断之间差异很大（循环系统从0.65到0.98）。几个例子：冠状动脉粥样硬化0.85（TotalSegmentator为0.79），胰腺癌0.91（对比0.84），射血分数保留的心力衰竭0.91。
按诊断计数比平均值更有信息量。在702个胸部phecode中，Percival在555个上优于简单的人口学模型（年龄、性别），在512个上优于CT-FM，在315个上优于TotalSegmentator，约占45%。它在279个诊断上是四种方法中最好的。腹盆腔CT的数字相近：624个中的511个、442个和272个，其中230个诊断排名第一。
在预后方面（Cox模型，用于估计事件随时间发生的风险），平均一致性指数（C指数；0.5为随机，1为按事件发生时间对患者完美排序）在胸部CT为0.68，TotalSegmentator为0.65，CT-FM为0.61，人口学模型为0.61。腹盆腔CT则分别为0.70、0.66、0.63和0.62。
其他分析：表征与诊断之间有1,022个在Bonferroni校正后仍显著的关联（PheWAS，即覆盖全部诊断的分析），以及与39项实验室指标的113个关联在第二个队列中得到重复。相比之下，直接预测实验室数值仍然较弱：64项指标的平均R²为0.04（R²表示被解释的方差比例），最高为白蛋白（0.40）和血红蛋白（0.30）。在外部验证方面，公开数据集CT-RATE（1,564例胸部CT，18个标签）上，作者报告性能与在该领域内训练的模型"相当"。
临床转化。单看AUC为0.84，无法得知假阳性的数量：这取决于该诊断的常见程度和所选阈值。一个纯属示意的例子：对于患病率为1%的疾病，若阈值对应90%的敏感度和90%的特异度，那么每1,000名患者中，会发现10名患者中的9名，漏掉1名，并产生99次误报。本文报告的结果没有给出这类数字，这对表征模型而言属正常，但会限制临床解读。
关于来源的说明：以上数字来自预印本版本（medRxiv，第5版）。2026年9月29日发表在npj Digital Medicine上的正式版本，本次分析未能读取全文，可能存在差异。
做得好的地方
三维影像中少见的规模。超过436,000个CT与其报告配对，涵盖多家医院、多个解剖部位和多种扫描方案，而许多CT模型只用单一类型的几千例检查训练。
评估范围广，并且如实呈现胜负数量。作者测试了702个和624个诊断，而不是挑三种有利的疾病；论文让读者能看到模型并非处处取胜。PheWAS结果做了多重比较校正，实验室关联在第二个队列中的重复（153个中的113个）是一项有用的检验。
具体的开放程度。代码、三种规模的权重、训练流程和下游分类器都已发布在GitHub和Hugging Face上；2026年5月发布了2.0版本。仓库还包含在CT-RATE上的评估，便于用公开数据复现。
做得不够好的地方
人群偏倚与外部验证薄弱。数据来自美国单一医疗系统，报告的唯一外部验证是胸部（1,564例CT），而结果还涉及腹盆腔CT和1,300多个诊断。作者自己也指出，缺少带有实验室数据和纵向诊断的公开队列。详细的人口学构成和排除标准，在我们能查阅的摘录中没有出现。
捷径学习与通过语言产生的泄漏。模型被训练去与放射科医生的文字对齐。作者承认，无法区分哪些来自图像，哪些来自报告所用的措辞。报告多数描述正常检查，且一份报告有时概括同一次就诊的多个容积。此外还有两个风险：索引事件偏倚（检查是因为怀疑有问题才开的，因此临近检查的诊断在一定程度上已经是已知的），以及标签来自病历编码而非经过裁定的诊断。
限制结论范围的对照与指标。对照的是其他范式（纯视觉、分割），而不是其他CT视觉-语言模型；平均预后提升（C指数0.68对TotalSegmentator的0.65）也较为有限。随访时长未说明（在病历最后一次接触时截尾），没有给出风险比，置信区间也很少。最后，代码许可为CC BY-NC 4.0，即非商业用途，未经另行协议不能用于生产环境。资金方面：美国国立卫生研究院（NIH）和Penn Medicine的基金会；有一位作者声明与制药公司有咨询关系。
这带来了什么改变
对研究界而言，Percival为与文本对齐的CT模型提供了一个公开、有文档的起点，附带大规模评估方案和已发布的下游分类器。后续研究需要检验其在其他医院的可迁移性，并把Percival与其他视觉-语言模型作比较。
对临床医生而言，目前没有任何改变：这是一个研究工具，没有前瞻性验证，也没有监管地位。长远看，从因其他原因做的CT中提取风险信号（所谓"机会性"读片）是可能的，但必须证明对患者有益，而不仅仅是AUC。
对患者和公众而言，信息应当审慎：CT包含的信息多于报告所保留的，模型正开始利用这些信息。这些信息能否改善诊疗，还有待逐家医院去证明。
延伸阅读
论文（发表版本）：Generalizable CT vision-language modeling for population health and disease risk，Cameron A. Beeche、Joonghyun Kim、Walter R. Witschey等（University of Pennsylvania），npj Digital Medicine，2026年9月29日，DOI 10.1038/s41746-026-03257-2。预印本：medRxiv，第5版。代码与权重：github.com/cams2b/percival（CC BY-NC 4.0）。
关于两种模态之间的对比对齐，另见我们关于恰加斯病中心电图与心脏MRI的解读。关于影像编码器的可靠性，另见我们对CRS-Bench的解读。