# CLIP 分数（Contrastive Language–Image Pre-training Score）

## 核心定义
CLIP 分数是指 OpenAI 提出的对比语言–图像预训练模型（CLIP）中，通过计算图像嵌入向量与文本嵌入向量之间的余弦相似度所得到的匹配得分（通常归一化至 [0,1] 区间）。该分数量化了视觉内容与文本描述的语义对齐程度，分数越高表示图像与文本在多模态共享空间中的语义一致性越强。

## 关键技术点
1. **双塔对比学习架构**  
   CLIP 分别使用图像编码器（ViT 或 ResNet）和文本编码器（Transformer）将两种模态映射到同一高维空间，并通过对比损失拉近正样本对（匹配图–文）的嵌入距离，推远负样本对。

2. **零样本迁移能力**  
   模型无需针对特定任务微调，即可直接利用文本 prompt 进行图像分类或检索，CLIP 分数在这一过程中作为分类置信度或匹配阈值。

3. **语义对齐的粒度限制**  
   CLIP 分数反映全局语义匹配，但在细粒度、局部或抽象临床概念（如“左侧基底节区小腔隙灶”）上常因缺乏空间关系编码而出现偏差，需谨慎解读。

4. **跨模态可解释性**  
   可通过可视化各图像 Patch 对文本 token 的注意力贡献，辅助理解分数高低的原因，但该机制在医学影像中仍需验证。

## 医学/神经科学应用场景：脑卒中影像–报告一致性评估
【首都医科大学神经病学研究背景】在脑卒中急性期，快速、准确解读影像（CT / MRI）并生成结构化报告至关重要。研究团队利用 CLIP 分数构建自动评估框架：  
1. **输入**：头 CT 平扫图像 + 若干预设文本描述（如“左侧基底节区高密度影，符合急性缺血灶”“无占位效应”等）。  
2. **计算**：对每组图–文对计算 CLIP 分数，筛选最高分描述作为机器解读的候选，并与放射科医生书写的金标准报告进行对比。  
3. **应用价值**：当 CLIP 分数低于预定阈值（如 <0.6）时，提示当前图像与文字描述存在语义偏差，可能反映报告笔误、病灶遗漏或罕见表现，从而触发人工复核，降低误诊率。  
该策略已初步应用于运动功能评估（帕金森病步态视频与“冻结步态”文本匹配）及癫痫脑电图谱分析中，为神经影像的自动化质量审核提供跨模态决策支持。