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.对于CT的窗口处理：```
```