医学表格数据在临床研究中普遍存在，但表格深度学习仍未被充分探索，因为可靠的标签通常需要昂贵的人工判定——尽管结构化临床变量常以表格形式常规可用。自监督学习可利用这些无标签表格，近期基于分箱的预训练任务提供了有前景的归纳偏置，但现有方法固定使用单一全局分位数离散化并施加与特征无关的监督。我们提出自适应分箱（Adaptive Binning），一种用于表格自监督学习的训练自适应离散化预训练任务，通过特征级粗到细课程将离散化与学习过程耦合。受神经网络谱偏差和课程学习原则的启发，我们的方法在检测到平台期后逐步细化每个特征的离散化，并选择表示感知的分割点，以共同改善值空间集中性和表示空间一致性。一种异质性感知目标统一了分类重建和对数值特征的有序监督。在统一评估协议下的公共医学表格数据集上的实验表明，线性探测和微调均取得了持续改进，无需针对数据集调整离散化。我们进一步引入了一个医学表格自监督学习基准，配有标准化协议，以支持这一未被充分探索领域的可重复进展。我们的代码可在 https://github.com/labhai/Adaptive-Binning 获取。