MoRE：基于变换器的多模态对比预训练框架用于X光、心电图和诊断报告

该研究提出了一种利用患者元数据选择医学影像正向对样本的方法，能够提高自我监督对比学习的下游任务性能。

最佳的正向对选择策略来自同一病人和同一研究的图像，平均AUC增长了14.4%。

研究结合SimCLR和SCARF的自监督对比学习框架，使用心脏MR图像和临床特征预测冠状动脉疾病风险。

探讨了对电心图(ECG)信号进行对比学习和深度学习的应用，以提高心血管疾病的诊断性能。

提出的多模态融合架构有效融合三种模态，对缺失模态表现出强鲁棒性，具有临床实用性。

提出的统一变压器模型整合不同视觉密集型任务，提升临床解释性和在胸部X光基准测试中的表现。

新颖的多模态深度神经网络框架生成胸部X射线检查报告，通过条件交叉多头注意力模块融合异构数据模态。

蒙版对比与重建（MCR）框架通过映射不同模态到公共特征空间，减少GPU内存和训练时间。

联合心胸纵观文本实现心胸X射线、心电图和医疗文本的联合嵌入，优化下游任务性能。

C-MELT框架通过对比掩码自编码器架构提高跨模态表示的鲁棒性，在线性探测和零样本性能上超越现有最佳模型。