三种发现情景取代单一未知类
论文提出广义生物医学发现（GBD），它既是一个基准，也是一个问题设定：模型先在带标签的已知类别上训练，然后必须把无标签图像归入某个已知类别，或归入一个新发现的类别。无标签集混合了已知和未知类别，其标签只用于评估。论文指出，这与开放集识别不同，后者把异质的未见类别统统归入一个“未知”类别；这也与新颖类别发现不同，后者假设无标签数据只包含新类别。
GBD 把这一单一问题拆成三个有临床依据的情景。长尾罕见病发现只给头部类别打标签，要求模型找出尾部疾病。正常到异常发现要求模型找出被正常解剖结构掩盖的细微病灶。分类体系内发现要求模型在已有诊断家族内找出新的同级亚型。该基准覆盖内窥镜、病理、显微镜和皮肤科，因此其结论针对这些生物医学影像结构，而非自然图像的标签空间。
头尾划分决定什么算罕见
在长尾情景中，论文按训练池中的经验频率 n(c) 对叶级诊断类别排序，只给由参数 alpha 控制的头部比例打标签。一般使用时 alpha 设为 0.5，此时已知类别是覆盖一半训练样本的最小类别集合，新类别是剩余的尾部。频率相同时按字典序打破平局。
这一构造对理解任何罕见病数字都很重要：这里的“新”指按该频率规则被排除在带标签头部之外，而不是临床罕见阈值。论文指出，医学数据中被明确认定为罕见的类别会单独处理，因此不应把 alpha = 0.5 的默认值读成罕见病的通用定义。
主导解剖结构压制微弱新颖线索
论文的核心诊断是视觉层面的，而非分类学层面的。反复出现的已知结构（例如广泛存在的正常解剖结构）主导了全局嵌入，因此罕见类别、异常或新同级亚型的微弱线索被低估。作者把 SCAN 设计为一种方法：先暴露相对于每张图像主导内容的偏差，再把这些偏差整合进来，同时不随意改写已建立的结构。
SCAN 是一个轻量插件，它变换视觉骨干网络输出的类别 token 和 patch token，同时不改变宿主发现目标。它按临床认知过程分三步进行：形成预测先验、关注偏差、容纳有信息量的证据。
依次过滤、凸显与容纳
在预测抑制阶段，SCAN 把 patch token 路由到少量可学习的证据槽中，以汇总反复出现的模式，再对这些槽取平均，并与类别 token 融合成一个样本特定的主导锚方向。随后它去掉每个 patch token 沿该锚方向的分量，把残差保留在正交补空间中。该投影对锚使用停止梯度，既不需要正常标签，也不需要异常模板。
在惊喜诱发显著性阶段，残差范数衡量主导锚对某个 token 的解释有多差。对残差能量做图像内 softmax，把这些范数转成显著性权重，再用 token 原本的槽归属和惊喜权重重新聚合残差。论文称这一步把“token 属于哪种反复出现的模式”与“它偏离得有多意外”分开，并通过一个小型 MLP 把被激发的证据广播回 token。
在互补容纳阶段，SCAN 用一阶和二阶读出把被激发的证据映射成全局新颖性提议，再去掉该提议中与主导锚对齐的分量。池化后的 token 证据被投影到同一互补子空间，因此更新在加入新颖性的同时减少与主导内容的重叠。
发现能力提升，已知知识大体保留
论文报告，SCAN 提升了新颖概念发现，同时大体保留了已建立的临床知识，并且能接入现有架构，更好地处理已知与未知之间的权衡。这是两项不同的度量：发现新类别与保持已知类别性能是分开评估的，论文并未声称其中一项能推出另一项。
讨论部分比摘要更具体。它描述新颖疾病发现整体改善，同时揭示在保留已建立知识方面存在一些随数据集和基线而变的权衡。因此读者应把“保留”视为实验间报告的一般倾向，而不是对每个数据集或骨干网络都成立的保证。
证据覆盖四个影像领域，而非部署
该基准覆盖内窥镜、病理、显微镜和皮肤科，三个情景都作为构造出的发现任务来评估，无标签池中的标签被隐藏。论文的主张是：GBD 提供了一个有临床依据、感知分类体系的试验台，把生物医学影像重新表述为可度量的概念形成问题。
这一表述就是边界。报告的结果涉及这些基准情景下的新颖概念发现和已知临床知识保留；论文没有报告前瞻性临床部署，而它承认的随数据集和基线而变的权衡意味着，发现与保留之间的平衡会随评估设置而变化。
关注头部比例与保留基线
对于在该基准上比较发现系统的读者，两个论文变量承载了大部分解释权重。第一个是头部比例 alpha，它决定哪些疾病被标为已知、哪些被标为新：改变它会同时改变发现目标的罕见程度和监督量。第二个是判断已知知识保留时所用的基线，因为论文报告的是随数据集和基线而变的权衡，而不是统一的保留增益。
论文自身的优先事项是现实生物医学结构下的已知与未知权衡：长尾罕见性、正常解剖结构主导细微病灶，以及层级分类体系。SCAN 的贡献是一个针对该权衡背后视觉压制的插件，恰当的解读是：它在这些情景上改善了新颖发现，而保留情况必须对照具体数据集和基线来核查。
本文引用的文献
Generalized Biomedicine Discovery
在长尾、正常到异常以及分类体系内三类生物医学影像情景中，SCAN 提升了新颖概念发现，同时大体保留已建立的临床知识，但在保留方面存在一些随数据集和基线而变的权衡。