本研究由来自约翰斯·霍普金斯大学（Johns Hopkins University）计算机科学系的Qi Chen、Alan Yuille、Zongwei Zhou，杜克-新加坡国立大学医学院（Duke-NUS Medical School）的Shuhan Ding、Nan Liu，以及微软研究院（Microsoft Research）的Yu Gu、Jiang Bian、Jingjing Fu共同完成。通讯作者为Jingjing Fu。该研究成果发表于2026年在韩国首尔举行的第43届国际机器学习大会（Proceedings of the 43rd International Conference on Machine Learning, PMLR 306, 2026）上。研究的核心发现是，一个仅在大规模自然图像和视频上预训练的基础变分自编码器（Variational Autoencoder, VAE），可以在不进行任何医学领域微调的情况下，作为三维CT重建、数据增强和生成式建模的统一接口，极大地降低了计算与工程成本。
变分自编码器（VAE）已成为现代重建与生成式模型的核心表示接口，其通过将高分辨率信号压缩为紧凑的潜在变量（latents），同时保留关键结构，来处理三维CT体积这一高分辨率、大视野的成像数据，以降低像素空间学习的昂贵开销。然而，现有的CT重建与生成流程高度依赖于为特定领域定制昂贵的表示学习阶段，即从零开始训练或在大规模医学语料库上重度微调一个专用于CT的VAE。这种做法不仅增加了计算成本和工程复杂性，而且在面对异构的扫描仪、采集协议和多样化的疾病模式时，模型的泛化能力会严重下降。例如，论文表1和表2的数据显示，医学专用的MedVAE在MSD数据集上出现了明显的重建坍塌（reconstruction collapse），在肺部CT上PSNR降至20.34，SSIM降至0.52；在胰腺CT上PSNR仅为18.78，SSIM为0.33，这表明其过拟合了训练分布。因此，本研究旨在探索一种“训练自由”（training-free）的替代方案，即迁移在大规模自然数据上预训练的基础VAE，来验证其能否作为一个免医学微调的全能CT接口。
本研究的工作流程可以分为三个核心程序：CT重建、CT增强和CT生成，所有程序均基于同一个完整冻结（frozen）的基础VAE。
程序一：CT重建与零样本迁移 研究将预训练的基础VAE视为一个重建算子T(·)。对于给定的CT体积x，通过冻结的编码器E和解码器D得到重建体积x̃ = T(x) = D(E(x))。 * 实验对象与处理：研究评估了七种公开可用的视频VAE（如Wan2.1、VideoVAE+、WFVAE等）作为候选基础VAE，在四个CT数据集（MSD的Task06肺部和Task07胰腺、LiTS、KiTS19）上测试其零样本重建性能。同时，为了对比，研究还纳入了在医学数据上训练的MedVAE和MAISI作为域内参照。 * 关键发现与理论支持：实验发现，重建误差主要集中在高频颗粒和扫描仪依赖的伪影上，而器官和病灶的边界保持了精确的空间对齐，这表明该算子起到了“边界稳定的CT重建器”的作用。研究为此提供了理论证明（详见论文附录A），指出若T(·)满足“任务相关的重建稳定性”（task-relevant reconstruction stability），即保持标签定义几何的不变性，那么基于重建数据训练的模型，其分割风险与基于原始数据训练的风险之间存在一个可被界定和约束的差距。
程序二：基于重建的数据增强 基于程序一的观察，研究提出了一种简单的、无需额外标注的数据增强方法：直接使用重建后的CT体积x̃作为分割模型的主要训练视图，而对应的标注标签y保持不变。 * 实验对象与评估：使用nnU-Net作为下游分割模型，在原始真实数据（real data）和各类VAE重建数据上进行训练，并在四个CT数据集上进行评估。评估指标除了常用的Dice相似系数（DSC），还重点引入了归一化表面距离（Normalized Surface Dice, NSD）。 * 算法的特殊处理：此处的“增强”并非传统意义上的数据扩增，而是利用基础VAE的“去噪”和“边界清晰化”特性，生成一个对分割任务更友好的训练视角。由于重建图像消除了部分高频噪声，使得器官和病灶轮廓周围的梯度更加锐利，从而减少了边界邻域的歧义性。
程序三：在固定潜在空间中进行条件式CT生成 程序利用程序一中冻结VAE的潜在空间（公式 z₀ = E(x)），训练一个条件潜在扩散模型（conditional latent diffusion model），以实现可控的CT生成。 * 实验对象与规模：生成模型使用CT-RATE和RexGroundingCT数据集进行训练和验证，包括4961个训练体积和80个测试体积，覆盖18种疾病类别。 * 实验方法与算法创新：生成过程采用了多重条件控制： 1. 解剖与临床条件注入：模型接受两种合成模式的控制。对于健康CT，以器官掩码（由VISTA3D和TotalSegmentator模型生成的124类解剖结构）和正常的放射学报告文本为条件；对于异常CT，则额外增加疾病掩码和描述病理的异常报告文本。掩码体积m（包含m_org和m_dis）通过同一个冻结的VAE编码器E(·)得到掩码嵌入z_m，并在去噪过程中与加噪的潜在变量z_t沿通道维度拼接；文本报告r则通过一个冻结的文本编码器τ(·)处理，通过交叉注意力（cross-attention）机制注入去噪U-Net。 2. 三维一致性模块：为确保生成的CT体积在轴状面（axial slices）上的纹理连续性和跨切片的解剖结构连贯性，研究引入一个轻量级的三维一致性注意力（3D consistency attention）模块。该模块通过在z轴（slice-axis）上聚合相邻切片的信息来更新当前切片的特征，其卷积核权重可学习且初始化为恒等映射，以鼓励生成平滑且生理学上一致的体积结构。
CT重建结果：如表1所示，未经任何医学微调的VideoVAE+、IVVAE等基础VAE在肺部CT上达到了30.93~31.78的PSNR和0.76~0.79的SSIM，在胰腺CT上PSNR高达39.06~40.43，SSIM为0.95~0.96，性能与在大量CT数据上训练的MAISI相当，且远超发生坍塌的MedVAE。这定量证明了基础VAE的重建质量能有效保持临床相关结构。
CT增强后分割结果：如表2所示，在重建数据上训练的分割模型，其性能与在真实CT上训练持平甚至更优，且在反映边界质量的NSD指标上提升最为显著。例如，在胰腺肿瘤和肺部肿瘤的联合任务中，使用重建数据作为增强训练视图，平均NSD提升了3.9%。这一结果直接印证了程序二中“边界稳定重建”的理论假设，并与图2中误差图主要集中在噪声而非边界位移的观察相一致。
CT生成结果：如表3所示，本方法生成的CT体积在多样性和语义一致性上均大幅领先于基线模型。在正常CT生成中，FVD降至0.30，FID平均值低至2.29，CT-CLIP得分高达59.35；在疾病生成中，FVD为0.51，CT-CLIP为51.49。与文本条件的GenerateCT、MedSyn和掩码条件的MAISI相比，本方法实现了3.9%的FVD平均降低和36.2%的CT-CLIP得分提升。在器官掩码贴合度上（表4），本方法在血管（Dice 63.38 vs 13.50）和肋骨（Dice 70.23 vs 15.20）等精细结构上远超MAISI。在下游多标签疾病分类任务中（表5），使用本方法生成的合成数据微调分类器，将平均AUC从67.95提升至70.71，增幅为2.76%。
本研究证明，在大规模自然图像和视频上预训练的基础VAE可以作为三维CT的一个可扩展的、数据高效且泛化性强的表示范式。其科学价值在于挑战了医学影像分析必须依赖领域专用视觉编码器的范式，提出并验证了“训练自由”的高效迁移假说。其应用价值在于：“训练自由”特性消除了繁琐的CT专用VAE预训练阶段，大大简化了系统设计，降低了计算和工程成本；统一的潜在空间支持重建、增强、生成多任务复用；重建式增强能作为免标注的边界质量提升工具；掩码与文本联合控制的条件生成能力，则为缓解医学数据稀缺、支持基准测试和可控模型行为研究提供了强大工具，对异构临床分布下的数据处理具有重要实践意义。