1.提出一个概念描述上新颖实际上是旧概念套皮的范式/框架2.医学场景与非医学场景互联网数据集对比3.锁死具体领域的具体应用场景4.差距描述具体化通用多模态大模型可能“知道脑出血是什么”却没有充分见过真实世界中不同扫描仪、不同协议、不同年龄、不同病程下脑出血的完整三维表现。5.打压传统影像AI可扩展性差医院面对的不是单一疾病而是肿瘤、出血、缺血、感染、炎症、外伤先天异常和神经退行性疾病儿童、成人和老年患者术前、术后、复查和急诊CT与多种MRI序列不同扫描方向、磁场强度、设备厂商和医院站点。6.对于报告生成的监督任务放射科医生不会把所有正常解剖结构都写进报告报告重点取决于临床问题微小或次要征象可能被省略报告包含措辞习惯、临床推断和历史比较没有报告的影像无法参与训练报告监督容易让模型学习“报告中容易表达的诊断”而不是完整视觉结构。7.处理无标签数据1保留小部分前景mask大部分前景让student还原teacher读完整的产物来对student蒸馏让模型更倾向于学习什么结构应该出现在该位置当前局部区域与整体解剖如何对应病灶如何改变正常结构不同序列中的结构如何保持语义一致。8.对于脑部影像同一个脑部结构可能以轴位冠状位矢状位从左到右或从右到左的存储方向出现。作者对体积随机进行三个空间轴的置换各个轴上的翻转。其目标是让模型减少对固定存储方向的依赖学习更稳定的三维解剖关系。9.方法设计需要贴合具体病症例如对于CT的窗口处理10.错误诊断的后果将没有目标病理的患者纳入治疗或试验共病掩盖药物疗效患者接受错误治疗同时承担副作用和费用。11.处理不完整标签多任务学习允许每个疾病任务只使用该任务有标签的人而不必删除标签不完整的患者强行填补未知标签假定所有未记录疾病均为阴性。这提高了样本利用率。12.指出文章的局限性但在某一个问题上能用补充也可以说明ProtAIDe-Dx最现实的价值不是替代p-tau217而是补充现有体系对非AD疾病覆盖不足的问题13.