核心速覽

多模態(tài)大型語言模型（MLLMs）在理解常見視覺元素（如風景、家居用品和公共事件）方面展現(xiàn)了令人印象深刻的能力，這主要歸功于其大規(guī)模數(shù)據(jù)集和先進的訓練策略。然而，由于醫(yī)學場景中的數(shù)據(jù)和任務與一般領(lǐng)域存在固有差異，它們在醫(yī)學應用中的有效性仍然有限。具體來說，現(xiàn)有的醫(yī)學MLLMs面臨以下關(guān)鍵限制：（1）對醫(yī)學知識（超出影像學范圍）的覆蓋有限；（2）由于數(shù)據(jù)策展流程不佳，容易產(chǎn)生幻覺；（3）缺乏針對復雜醫(yī)學場景定制的推理能力。為了應對這些挑戰(zhàn)，我們首先提出了一個全面的數(shù)據(jù)策展程序，該程序（1）不僅從醫(yī)學影像，還從廣泛的醫(yī)學文本和一般領(lǐng)域數(shù)據(jù)高效獲取豐富的醫(yī)學知識數(shù)據(jù)；以及（2）合成準確的醫(yī)學字幕、視覺問答（VQA）和推理樣本。因此，我們構(gòu)建了一個富含廣泛醫(yī)學知識的多模態(tài)數(shù)據(jù)集。在策劃的數(shù)據(jù)基礎(chǔ)上，我們推出了專注于醫(yī)學的MLLM：Lingshu。Lingshu經(jīng)過多階段訓練，以嵌入醫(yī)學專業(yè)知識并逐步提升其解決問題的能力。此外，我們初步探索了應用可驗證獎勵范式的強化學習來增強靈書的醫(yī)學推理能力。同時，我們開發(fā)了MedEvalKit，一個統(tǒng)一的評估框架，它整合了領(lǐng)先的多模態(tài)和文本醫(yī)學基準測試，用于標準化、公平且高效的模型評估。我們在三個基本醫(yī)學任務上評估了Lingshu的表現(xiàn)：多模態(tài)問答、基于文本的問答和醫(yī)學報告生成。結(jié)果顯示，Lingshu在大多數(shù)任務上持續(xù)超越現(xiàn)有的開源多模態(tài)模型。此外，我們進行了五個緊密與現(xiàn)實世界場景對齊的案例研究，展示了Lingshu在醫(yī)學背景下實際應用的潛力。

 主頁：??https://alibaba-demo-academy.github.io/lingshu/??

核心速覽

研究背景

1. 研究問題：這篇文章要解決的問題是如何在多模態(tài)醫(yī)學理解中實現(xiàn)統(tǒng)一的多模態(tài)基礎(chǔ)模型。現(xiàn)有的多模態(tài)大型語言模型（MLLMs）在通用領(lǐng)域表現(xiàn)出色，但在醫(yī)學領(lǐng)域的應用效果有限，主要由于醫(yī)學數(shù)據(jù)與任務的復雜性和特異性。
2. 研究難點：該問題的研究難點包括：醫(yī)學知識的覆蓋范圍有限，數(shù)據(jù)質(zhì)量參差不齊，缺乏針對復雜醫(yī)學場景的推理能力。
3. 相關(guān)工作：該問題的研究相關(guān)工作有：將通用LLM或MLLMs與醫(yī)學多模態(tài)數(shù)據(jù)結(jié)合構(gòu)建專用模型，采用蒸餾技術(shù)改進模型性能，以及利用強化學習提高推理能力。

研究方法

這篇論文提出了Lingshu模型用于解決醫(yī)學多模態(tài)理解問題。具體來說，

數(shù)據(jù)收集與合成：首先，提出了一個全面的數(shù)據(jù)收集和合成流程，包括從醫(yī)學影像、醫(yī)學文本和通用領(lǐng)域數(shù)據(jù)中高效獲取豐富的醫(yī)學知識數(shù)據(jù)，并生成準確的醫(yī)學字幕、視覺問答（VQA）和推理樣本。

多階段訓練：基于收集的數(shù)據(jù)，提出了多階段訓練方法，逐步注入醫(yī)學專業(yè)知識并增強模型的解決問題能力。具體階段包括：淺層醫(yī)學對齊、深層醫(yī)學對齊、醫(yī)學指令調(diào)優(yōu)和醫(yī)學導向的強化學習。

• 強化學習：初步探索了將可驗證獎勵的強化學習（RLVR）應用于提升Lingshu的醫(yī)學推理能力，開發(fā)了Lingshu-RL版本。
• 評估框架：提出了MedEvalKit，一個統(tǒng)一的評估框架，整合了主流的多模態(tài)和文本醫(yī)學基準，支持多種問題格式，確保評估的標準化和可重復性。

實驗設(shè)計

1. 數(shù)據(jù)收集：從網(wǎng)絡(luò)中收集了多種開源醫(yī)學多模態(tài)數(shù)據(jù)集、醫(yī)學文本指令數(shù)據(jù)和通用領(lǐng)域數(shù)據(jù)集，并進行嚴格的質(zhì)量過濾和預處理。
2. 數(shù)據(jù)合成：生成了長形式字幕、基于OCR的指令樣本、VQA實例和蒸餾推理示例，以提高模型的特定能力。
3. 模型訓練：基于Qwen2.5-VL模型架構(gòu)，開發(fā)了7B和32B參數(shù)的Lingshu模型，并通過多階段訓練框架進行訓練。
4. 評估：使用MedEvalKit框架對Lingshu進行評估，涵蓋多模態(tài)VQA、文本QA和報告生成任務。

結(jié)果與分析

多模態(tài)VQA任務：在七個醫(yī)學多模態(tài)VQA任務上，Lingshu-32B模型的平均得分達到了66.6%，超過了所有其他模型，包括專有模型如GPT-4.1和Claude Sonnet 4。

• 文本QA任務：在醫(yī)學文本QA任務上，Lingshu-7B模型在多個基準測試中表現(xiàn)出色，平均準確率達到52.8%，領(lǐng)先于其他開源模型。
• 報告生成任務：在MIMIC-CXR、CheXpert Plus和IU-Xray三個報告生成基準上，Lingshu-32B模型在大多數(shù)指標上均表現(xiàn)最佳，特別是在IU-Xray任務上，得分接近130.4。
• 強化學習效果：盡管Lingshu-RL在部分任務上表現(xiàn)出微弱的改進，但整體效果有限，表明當前RLVR訓練在醫(yī)學領(lǐng)域的應用仍需進一步優(yōu)化。

總體結(jié)論

這篇論文提出了Lingshu模型及其多階段訓練框架，解決了醫(yī)學多模態(tài)理解中的關(guān)鍵挑戰(zhàn)。通過全面的實驗驗證，Lingshu在多個醫(yī)學任務上表現(xiàn)出色，顯著優(yōu)于現(xiàn)有開源模型。此外，MedEvalKit評估框架的引入進一步推動了醫(yī)學MLLMs的標準化和可重復性。總體而言，Lingshu和MedEvalKit為醫(yī)學領(lǐng)域的MLLMs提供了一個高性能模型、一個強大的評估工具以及數(shù)據(jù)收集、分階段訓練和評估的經(jīng)驗指南。

論文評價

優(yōu)點與創(chuàng)新

1. 數(shù)據(jù)收集與合成：提出了一種全面的數(shù)據(jù)收集和合成流程，能夠高效地獲取豐富的醫(yī)學知識數(shù)據(jù)，并生成高質(zhì)量的醫(yī)學字幕、問答對和推理樣本。
2. 多階段訓練：開發(fā)了針對醫(yī)學領(lǐng)域的多階段訓練框架，逐步注入醫(yī)學知識，增強模型的問題解決能力。
3. 強化學習探索：初步探索了將可驗證獎勵的強化學習（RLVR）應用于提升Lingshu的多模態(tài)醫(yī)學推理能力，開發(fā)了Lingshu-RL版本。
4. 統(tǒng)一評估框架：提出了MedEvalKit，一個統(tǒng)一的評估框架，整合了主要的多模態(tài)和文本醫(yī)學基準，簡化了模型評估過程，推動了標準化性能評估的發(fā)展。
5. 實驗驗證：通過嚴格的實驗驗證，Lingshu在多個多模態(tài)和文本醫(yī)學視覺問答任務以及報告生成任務中表現(xiàn)出色，顯著優(yōu)于現(xiàn)有的開源多模態(tài)模型。
6. 案例研究：進行了五個與實際應用場景緊密相關(guān)的案例研究，展示了Lingshu在實際醫(yī)療應用中的潛力。

不足與反思

1. 數(shù)據(jù)質(zhì)量和多樣性：盡管收集了大量的醫(yī)學多模態(tài)和文本數(shù)據(jù)，但數(shù)據(jù)質(zhì)量和多樣性仍然有限。開源醫(yī)學多模態(tài)數(shù)據(jù)通常存在標注準確性低、圖像分辨率差和模態(tài)分布不均等問題。
2. 模型性能和泛化能力：盡管Lingshu在多個醫(yī)學基準上取得了有希望的結(jié)果，特別是在問答和報告生成任務中，但與最先進的專有模型相比仍有差距。其在大規(guī)模、更多樣化的醫(yī)學任務和更廣泛的泛化能力方面的探索仍不充分。
3. 訓練范式和強化學習：盡管驗證了數(shù)據(jù)策略和訓練范式的有效性，但最佳的數(shù)據(jù)混合和訓練配置仍需進一步探索。當前在醫(yī)學背景下的RLVR應用的初步探索效果有限，需要更深入的理解。

關(guān)鍵問題及回答

問題1：Lingshu模型在數(shù)據(jù)收集和合成方面采取了哪些具體措施來確保醫(yī)學知識的全面性和高質(zhì)量？

數(shù)據(jù)收集

• 從網(wǎng)絡(luò)中收集了多種開源醫(yī)學多模態(tài)數(shù)據(jù)集，包括醫(yī)學字幕數(shù)據(jù)（如LLaVA-Med Alignment、PubMedVision等）和醫(yī)學多模態(tài)指令數(shù)據(jù)（如PathVQA、PMC-VQA等）。
• 收集了醫(yī)學文本指令數(shù)據(jù)，如醫(yī)療事實問答、蒸餾推理數(shù)據(jù)、患者-醫(yī)生對話和一般醫(yī)學指令數(shù)據(jù)。
• 收集了醫(yī)學影像數(shù)據(jù)，包括X光、CT、MRI、超聲、皮膚鏡、眼底、組織病理學和顯微鏡等不同醫(yī)學影像數(shù)據(jù)集。
• 還收集了通用領(lǐng)域數(shù)據(jù)，如圖像字幕、文本和多媒體指令跟隨數(shù)據(jù)，以增強模型的泛化能力。

數(shù)據(jù)合成

• 生成了長形式字幕，通過數(shù)據(jù)從醫(yī)學圖像分割和分類任務中提取結(jié)構(gòu)化的事實知識，生成詳細的醫(yī)學字幕。
• 基于OCR的指令樣本，收集了生物學和化學考試問題和答案，并使用Gemini-2.0-Flash-Thinking進行詳細推理步驟標注。
• 合成VQA實例，使用模板法和自指示法生成醫(yī)學VQA數(shù)據(jù)，模板法通過手動設(shè)計問題模板和答案選項，自指示法通過GPT-4o生成問題和答案。
• 蒸餾推理示例，使用GPT-4o生成鏈式推理路徑，并通過LLM驗證過程確保推理路徑的一致性。

問題2：Lingshu模型的多階段訓練框架是如何設(shè)計的，各階段的具體目標和訓練內(nèi)容是什么？

醫(yī)學淺層對齊（Medical Shallow Alignment）

• 目標：建立醫(yī)學影像模態(tài)與其對應文本描述之間的有效對齊。
• 訓練內(nèi)容：使用粗略標注的醫(yī)學圖像-文本對，僅微調(diào)視覺編碼器和投影層。

醫(yī)學深層對齊（Medical Deep Alignment）

• 目標：全面整合醫(yī)學知識到MLLM中，增強其理解和適應各種臨床上下文的能力。
• 訓練內(nèi)容：解凍所有模型參數(shù)，使用更大、更高質(zhì)量和語義更豐富的醫(yī)學圖像-文本對進行端到端微調(diào)。

醫(yī)學指令調(diào)優(yōu)（Medical Instruction Tuning）：

• 目標：提高模型理解和執(zhí)行各種醫(yī)學用例任務的能力，增強其泛化到下游任務的能力。
• 訓練內(nèi)容：使用廣泛的醫(yī)學和多模態(tài)指令數(shù)據(jù)集進行大規(guī)模、端到端優(yōu)化，包括多圖像推理任務、多輪對話和需要詳細推理過程的查詢。

醫(yī)學導向的強化學習（Medical-oriented Reinforcement Learning）

• 目標：通過可驗證獎勵的強化學習（RLVR）增強模型的醫(yī)學推理、問題解決能力和解釋性。
• 訓練內(nèi)容：使用精心策劃的醫(yī)學可驗證數(shù)據(jù)集進行訓練，采用Group Relative Policy Optimization（GRPO）方法，使用嚴格格式的獎勵和準確性獎勵。

問題3：MedEvalKit評估框架的主要特點是什么，它如何確保評估的標準化和可重復性？

多模態(tài)和文本醫(yī)學基準整合

• 整合了多個主流的多模態(tài)和文本醫(yī)學基準，包括VQA-RAD、SLAKE、PathVQA、PMC-VQA、OMnimedVQA、MMMU、MedXpertQA、MMLU、PubMedQA、MedMCQA、MedQA-USMLE、MedBullets、SuperGPQA、MIMIC-CXR、IU-Xray和CheXpert Plus。

支持多種問題格式

• 支持多選題、封閉式問題、開放式問題和醫(yī)學報告生成等多種問題格式。

標準化數(shù)據(jù)預處理和后處理協(xié)議

• 標準化了所有問題的輸入格式，遵循候選醫(yī)學MLLMs推薦的官方聊天模板。
• 使用規(guī)則基礎(chǔ)的評估與LLM作為評委的策略相結(jié)合的雙重驗證機制，結(jié)合客觀和主觀評估，提高評估的穩(wěn)定性和可靠性。

支持推理加速和高吞吐量評估

• 通過vLLM支持推理加速，支持高通量和并行評估，具有強大的可擴展性和工程可用性。

通過這些特點，MedEvalKit確保了評估過程的標準化和可重復性，使得不同模型之間的比較更加公平和可靠。

本文轉(zhuǎn)載自??知識圖譜科技??，作者：知識圖譜科技