知识卡片：MedVTok：通用医学视觉分词器

一句话结论

MedVTok 是一个通用医学视觉分词器，把 2D 图像与 3D 体数据、跨 9 种成像模态统一映射到同一 token 空间，并在 24 个基准上报告了最优性能，为多模态医学 AI 提供可复用的视觉接口。

事件概述或研究问题

多模态医学 AI 需要统一的视觉接口来编码异构影像证据，以支持患者状态建模。但现有医学视觉分词器通常绑定单一维度（2D 或 3D）和单一成像模态，导致多模态系统依赖碎片化、复用性差的表示。MedVTok 要解决的核心问题是：能否用一个分词器同时覆盖不同维度与不同模态的医学影像，并保留解剖结构与临床语义。

方法/产品要点

论文指出构建此类分词器有两大挑战：跨维度保持解剖结构、跨模态捕捉临床语义。对应两项设计：

• 切片差分正则化（slice differential regularization）：显式建模层间解剖连贯性，弥补以往逐像素/逐体素监督所缺失的切片间约束。
• 多专家表示对齐（multi-expert representation alignment）：整合多个医学专家编码器的知识，同时保留各模态特有的互补信息。

训练数据规模为 2800 万张图像与 7 万个体数据，覆盖 9 种成像模态。单一分词器即可支持分类、检索、分割、合成、视觉问答（VQA）与医学报告生成等任务。

主要结果或产业意义

在 24 个基准上，MedVTok 取得 state-of-the-art 性能（具体数值与各基准细节待核实，摘要未给出）。其意义在于展示了一种可扩展的 token 接口，把医学影像的维度、模态与任务使用方式统一起来，减少多模态系统为每种影像单独维护编码器的需要。

为什么重要

医学影像天然多模态、多维度（X 光/病理切片为 2D，CT/MRI 为 3D 体数据），此前系统往往按模态各自为政。MedVTok 若如其报告所言在 24 个基准上全面领先，则意味着下游任务（分割、报告生成、VQA 等）可以共享同一视觉表示，降低集成成本并提升表示复用性。与已有卡片中的 ExpertVerse（评估多模态生成的专家级推理）和 LLM-as-a-Verifier（通用验证框架）不同，本条聚焦的是医学视觉侧的“输入接口”统一，而非生成评估或验证环节；三者在“多模态医学/通用 AI 流水线”脉络中分别对应表示、评估与验证三个环节，互为补充而非重复。

局限与不确定性

• 摘要未给出具体性能数字、各基准名称与对比基线，SOTA 声明的幅度待核实。
• “多专家表示对齐”具体整合了哪些专家编码器、对齐损失形式待核实。
• 训练数据 2800 万图像/7 万体数据的来源、去重与隐私合规情况待核实。
• 仅凭摘要无法判断在未见模态或低资源模态上的泛化表现，待核实。
• 论文标注为 arXiv 预印本（v1），尚未确认同行评审状态。

可用于图书/PPT/简报的角度

• “医学 AI 的通用视觉接口”：用 MedVTok 说明为何统一 token 空间是多模态医学系统的关键基础设施。
• 跨维度建模难点：以切片差分正则化为例，讲解 2D/3D 混合训练中解剖连贯性的建模思路。
• 专家知识融合：以多专家表示对齐为例，讨论如何在统一表示中保留模态特异性。
• 一模型多任务：分类/检索/分割/合成/VQA/报告生成共用一分词器的工程价值。
• 与评估/验证环节的分工：可与 ExpertVerse、LLM-as-a-Verifier 卡片并列，构成“表示—评估—验证”的多模态 AI 流水线叙事。

原始材料

• 标题：MedVTok: A General-Purpose Medical Visual Tokenizer
• 作者：Chenglong Ma, Yuanfeng Ji, Junzhi Ning, Jiyao Liu, Yujie Wei, Shaohao Rui, Chaoyang Zhang, Wenjie Li, Wenhao Tang, Cheng Tang, Wei Li, Shujian Gao, Yujie Zhang, Ying Chen, Zilong Li, Zongyuan Ge, Diping Song, Jin Ye, Ming Hu, Junjun He, Hongming Shan
• 发布：2026-10-26（arXiv v1）
• 主分类：eess.IV；分类：eess.IV, cs.CV
• arXiv ID：2610.35842v1
• Abstract URL：https://arxiv.org/abs/2610.35842v1
• PDF URL：https://arxiv.org/pdf/2610.35842v1
• 关键词：medical visual tokenizer; unified token space; slice differential regularization; multi-expert representation alignment; multimodal medical AI