在人工智能技術突飛猛進的當下，大型視覺-語言模型（LVLMs）正以驚人的速度重塑多個領域的認知邊界。在自然圖像與視頻分析領域，這類模型依托先進的神經網絡架構、海量標注數據集與強大算力支持，已能精準完成物體識別、場景解析等高階任務。而在自然語言處理領域，LVLMs 通過對 TB 級文本語料的學習，在機器翻譯、文本摘要、情感分析等任務上達到專業(yè)級水準，其生成的學術摘要甚至能精準提煉醫(yī)學文獻的核心結論。

然而當技術浪潮涌向醫(yī)學領域，LVLMs 的落地進程卻遭遇顯著阻力。盡管臨床場景對智能化輔助診斷的需求極為迫切，這類模型的醫(yī)學應用仍停留在初級探索階段。核心瓶頸源自醫(yī)學數據的獨特屬性：受患者隱私保護法規(guī)、醫(yī)療數據孤島效應及倫理審查機制的多重制約，公開可用的高質量醫(yī)學數據集規(guī)模僅為通用領域的萬分之一量級。現(xiàn)有醫(yī)學數據集大多采用基礎視覺問答架構，聚焦「這是哪個解剖結構」等初級模式識別任務——如某公開數據集包含 20 萬張 X 光片標注，但 90% 的標注內容停留在器官定位層面，無法觸及病變嚴重程度分級、預后風險評估等臨床核心需求。

這種數據供給與實際需求的錯位，導致模型在面對新生兒缺氧缺血性腦?。℉IE）MRI 圖像時，雖能識別基底節(jié)區(qū)異常信號，卻無法整合孕周、圍產期病史等多維度信息進行神經發(fā)育預后預測。

為了突破這一困境，來自波士頓兒童醫(yī)院聯(lián)合哈佛醫(yī)學院、紐約大學及 MIT-IBM 沃森實驗室的跨學科團隊，收集了 133 名與缺氧缺血性腦?。℉IE）相關的個體十年 MRI 圖像及專家解讀，構建了一個專業(yè)級醫(yī)學推理基準測試數據集，旨在精準評估 LVLMs 在醫(yī)學專業(yè)領域的推理表現(xiàn)。研究團隊還提出了一種臨床思維圖譜模型（CGoT），能夠通過臨床知識引導的思維圖譜提示來模擬診斷過程，可將特定領域的臨床知識作為視覺和文本輸入納入其中，從而顯著增強 LVLMs 的預測能力。

相關研究成果以「Visual and Domain Knowledge for Professional-level Graph-of-Thought Medical Reasoning」為題，已成功入選 ICML 2025 。

研究亮點：

* 創(chuàng)建全新 HIE 推理基準測試，首次將臨床視覺感知與專業(yè)醫(yī)學知識結合，模擬臨床決策流程，精準評估 LVLMs 在醫(yī)學推理中的專業(yè)表現(xiàn)。

* 全面對比先進通用和醫(yī)學 LVLMs，揭示其在醫(yī)學領域知識方面的局限性，為模型改進提供方向。

* 提出 CGoT 模型，融合醫(yī)學專業(yè)知識與 LVLMs，模仿臨床決策過程，有效增強醫(yī)學決策支持。

論文地址： ?

??https://openreview.net/forum?id=tnyxtaSve5??

更多 AI 前沿論文：
???https://go.hyper.ai/owxf6??

開源項目「awesome-ai4s」匯集了百余篇 AI4S 論文解讀，并提供海量數據集與工具：
???https://github.com/hyperai/awesome-ai4s??

HIE-Reasoning：多模態(tài)數據集構建與專業(yè)推理任務體系創(chuàng)設

在數據構建層面，該研究聚焦缺氧缺血性腦病（HIE）這一新生兒重癥，歷時 10 年收集了 133 例 HIE 患兒從出生 0-14 天內的高質量 MRI 影像，同步獲取經多學科專家（包括擁有 30 年經驗的資深神經放射科醫(yī)生）臨床驗證的解讀報告，形成縱向追蹤的核心數據集。

如下圖所示，研究人員定義了 6 項任務供 LVLMs 執(zhí)行專業(yè)臨床推理：

* 任務 1：病變分級（Lesion Grading）。該任務通過估算受 HIE 病變影響的大腦體積百分比以及評估病變的嚴重程度來量化大腦損傷。

* 任務 2：病變解剖學（Lesion Anatomy）。該任務識別受病變影響的大腦特定區(qū)域。

* 任務 3：罕見部位病變（Lesion in Rare Locations）。該任務識別由 HIE 引起的病變，并將受影響區(qū)域分為常見或不常見，幫助確定患者是否需要額外關注。

* 任務 4：MRI 損傷評分（MRI Injury Score）。該任務輸出 MRI 的整體損傷評分，提供一個標準化的損傷嚴重程度衡量標準，以指導治療和預測結果。

* 任務 5：2 年神經認知結果（Neurocognitive Outcome）。該任務預測患者 2 年后的神經認知結果，幫助臨床醫(yī)生預測長期影響并計劃適當的干預措施。

* 任務 6：MRI 解讀總結（MRI Interpretation）。該任務基于放射科醫(yī)生推薦的新生兒 MRI 總結模板，能夠為患者生成全面的 MRI 解讀。

HIE-Reasoning 數據集和任務概述

最終，研究人員構建了全球首個公開的 HIE 數據集 HIE-Reasoning，含 749 對問答和 133 個 MRI 解讀總結。與 VQAmed 、 OmiMed-VQA 等傳統(tǒng)醫(yī)學數據集聚焦成像方式識別、器官定位等基礎問題不同，該數據集首次將臨床專家的深度推理過程轉化為可計算的評估體系，其數據結構創(chuàng)新采用三層架構——患者級原始影像與任務文件、跨案例元知識推理模板、個體病變概率圖譜，既保留醫(yī)學數據的完整性，又為模型提供包含病理機制的顯性知識輸入。

盡管樣本量僅 133 例，但通過長達 17 年（2001-2018 年）的多中心回顧性收集，結合 HIE 在三級醫(yī)院 1-5‰ 的低發(fā)率特征，該數據集成為首個整合影像-臨床-預后多模態(tài)信息的 HIE 專用基準，其標注精度與臨床深度足以彌補規(guī)模限制，為 LVLMs 突破「基礎識別」瓶頸、進入診療決策深水區(qū)提供了不可或缺的標尺。

CGoT 模型：臨床思維圖譜驅動，構建可解釋分層醫(yī)學推理新框架

為突破傳統(tǒng)大型視覺-語言模型（LVLMs）在醫(yī)學推理中的解釋性瓶頸（如下圖 A 所示），研究團隊提出了臨床思維圖譜模型（CGoT），如下圖 B-C 所示，通過整合臨床知識引導語言模型模擬醫(yī)生診斷流程，從而顯著提升預測神經認知結果的可靠性。該模型創(chuàng)新性地采用結構化「推理思維圖譜」，將醫(yī)學專家的診斷步驟轉化為分層推理管道，通過逐步累積知識解決復雜任務。

LVLM 與 CGoT 的推理圖

文本知識端則分為元臨床知識（含大腦解剖圖譜、病變分布規(guī)律、 MRI 生物標志物預后關聯(lián)等通用醫(yī)學背景）與個體臨床知識（通過前序任務輸出動態(tài)生成的患者特異性診斷線索），兩類知識以 Prompt Engineering 方式結構化輸入，引導 LVLM 按照「臨床指南-影像特征-個體病史」的邏輯鏈逐步推導。

整個框架通過臨床圖結構化提示與跨模態(tài)知識融合，將隱性的醫(yī)學診斷邏輯轉化為可計算的模型輸入，既保留了 LVLMs 的跨模態(tài)處理能力，又通過臨床知識錨定避免了推理過程的隨機性。

CGoT 臨床推理效能評估，在關鍵任務上實現(xiàn)突破性提升

為驗證 HIE-Reasoning 基準測試與 CGoT 模型的有效性，研究團隊設計了多維度實驗體系。

首先，研究人員對 6 個大型視覺語言模型進行了零樣本評估，選取了 3 類通用 LVLMs（Gemini1.5-Flash 、 GPT4o-Mini 、 GPT4o）與 3 類醫(yī)學 LVLMs（MiniGPT4-Med 、 LLava-Med 、 Med-Flamingo）作為基線模型，針對病變分級、解剖定位、預后預測等 6 大臨床任務，采用準確率、 MAE 、 F1 分數、 ROUGE-L 等任務特異性指標進行評估，其中兩年神經認知結果預測采用類別間平均準確率以平衡標簽分布偏差。

實驗結果揭示了傳統(tǒng) LVLMs 的顯著局限性：當直接輸入 MRI 切片與任務描述時，所有基線模型在專業(yè)醫(yī)學推理任務中表現(xiàn)不佳，部分模型因缺乏臨床知識出現(xiàn)回答幻覺或保守拒答，例如 Med-Flamingo 在解剖定位任務中生成無意義重復內容，GPT4o 系列因對齊策略無法處理高不確定性問題。

與之形成鮮明對比的是，如下表所示，CGoT 模型通過整合臨床思維圖譜與跨模態(tài)知識，在關鍵任務上實現(xiàn)突破性提升——尤其在兩年預后預測這一核心臨床需求上，其性能較基線模型提升超過 15%，病變分級、損傷評分等任務的準確率與一致性也顯著優(yōu)于對照組。

各種模型在 HIE-Reasoning 基準上的性能比較

CGoT 定性結果

同時，魯棒性實驗顯示，即使在 10%-30% 的中間任務結果中引入 ±1 級評分擾動，模型性能僅呈現(xiàn)漸進式下降，證明其對臨床實踐中常見數據噪聲的適應能力。這些發(fā)現(xiàn)共同表明，CGoT 通過模擬臨床診斷的分層推理過程，既突破了傳統(tǒng)模型的知識盲區(qū)，又構建了貼近真實診療場景的可靠決策支持體系。

?

醫(yī)學 LVLMs 的雙輪驅動，學術界與企業(yè)界的創(chuàng)新實踐與趨勢

在全球范圍內，醫(yī)學領域的大型視覺-語言模型（LVLMs）研究與應用正經歷范式變革，學術界與企業(yè)界的創(chuàng)新實踐共同推動著這一領域的突破。

在學術研究層面，上海人工智能實驗室聯(lián)合華盛頓大學/莫納什大學/華東師范大學等多所科研單位共同發(fā)布的 GMAI-MMBench 基準測試，整合了 284 個臨床任務數據集，覆蓋 38 種醫(yī)學影像模態(tài)與 18 項核心臨床需求（如腫瘤診斷、神經影像分析等）。該基準通過詞匯樹分類系統(tǒng)，將病例按科室、模態(tài)與任務類型精準歸類，為評估 LVLMs 的臨床推理能力提供了標準化框架。
??* 點擊查看完整報道：含 284 個數據集，覆蓋 18 項臨床任務，上海 AI Lab 等發(fā)布多模態(tài)醫(yī)療基準 GMAI-MMBench??

此外，埃默里大學、南加州大學、東京大學和約翰霍普金斯大學聯(lián)合開發(fā)的 Med-R1，針對傳統(tǒng)監(jiān)督式微調（SFT）方法的局限性，創(chuàng)新性地引入群體相對策略優(yōu)化（GRPO），無需復雜的價值模型即可通過規(guī)則獎勵和群體比較穩(wěn)定策略更新。香港科技大學推出的 MedDr 等開源 LVLMs 在特定任務（如病變分級）上的表現(xiàn)已接近商業(yè)模型，證明了開源生態(tài)在醫(yī)學 AI 領域的潛力。

企業(yè)界則以技術落地為核心，加速推動 LVLMs 的臨床轉化。例如，微軟 Azure 醫(yī)療云平臺通過整合 AI 工具與臨床數據，實現(xiàn)了醫(yī)學影像分析、電子病歷自動化等功能的深度融合。其與多家醫(yī)院合作開發(fā)的智能放射學系統(tǒng)，能夠通過 LVLMs 快速識別 MRI 影像中的異常區(qū)域，并生成結構化報告，輔助醫(yī)生完成病變分級與解剖定位任務。

谷歌推出了開源醫(yī)療模型 MedGemma，基于 Gemma3 架構，專為醫(yī)療健康領域設計，旨在通過無縫結合醫(yī)學圖像和文本數據的分析，來增強醫(yī)療健康應用，提升醫(yī)療診斷與治療的效率。
??* 點擊查看詳細報道：谷歌發(fā)布 MedGemma，基于 Gemma 3 構建，專攻醫(yī)學文本與圖像理解??

這些實踐共同揭示了醫(yī)學 LVLMs 發(fā)展的兩大趨勢：一是臨床知識與模型架構的深度融合，例如本文所述研究的 HIE-Reasoning 基準測試中通過專家標注構建的任務體系，以及 CGoT 模型引入的臨床思維圖譜；二是跨學科協(xié)作與數據治理的創(chuàng)新，如 GMAI-MMBench 通過統(tǒng)一標注格式與倫理合規(guī)流程整合全球數據集，為解決醫(yī)學數據稀缺性提供了范例。未來，隨著聯(lián)邦學習、合成數據生成等技術的進一步應用，學術界與企業(yè)界有望在更復雜的臨床場景（如多模態(tài)預后預測、實時手術導航）中實現(xiàn)突破，真正推動 AI 從輔助工具向智能決策伙伴的角色轉變。

參考文章：
1.??https://blog.csdn.net/Python_cocola/article/details/146590017???
2.??https://mp.weixin.qq.com/s/0SGHeV8OcXu8kFk68f-7Ww??