基礎視覺模型（如DINOv3）在自然影像上預訓練後，無需額外的醫學領域預訓練即可直接遷移至醫學影像任務，但在處理三維體積資料時，需要聚合每例研究中的數萬個補丁令牌，而聚合器的選擇直接影響模型的解釋能力。
本研究在KiTS23資料集（966個腎臟，97例測試）上，基於凍結的DINOv3 ViT-H/16+特徵，比較了三種聚合器用於腎臟腫瘤和囊腫的多標籤檢測：CLS令牌線性探針、基於55,296個補丁令牌的門控注意力多例項學習（MIL），以及遵循ProtoViT的原型頭部。實驗表明，注意力MIL在腫瘤檢測上取得最高AUROC（0.74，95%置信區間0.64-0.83），在囊腫檢測上取得AUROC（0.80，95%置信區間0.70-0.88），且注意力在標註病灶內的富集程度是隨機水平的7.5至9.8倍。
相比之下，原型頭部在囊腫檢測上表現不佳，AUROC僅為0.51，幾乎相當於隨機猜測，而CLS令牌線性探針的效能介於兩者之間。這一結果揭示了在該令牌規模下，模型可解釋性與檢測效能之間存在明顯權衡。注意力MIL透過端到端學習能夠精準定位病灶，但犧牲了部分可解釋性；原型頭部雖然理論上更易解釋，卻難以泛化至囊腫檢測。
該研究已被MIUA 2026會議接收（海報展示），並將發表於《Frontiers in Medical Technology》。研究結果強調了在醫學影像分析中，針對具體任務選擇合適聚合器的重要性，併為未來將基礎模型應用於三維醫學診斷提供了重要參考。