具备推理能力的视觉语言基础模型用于胸部 X 射线解读

胸部 X 射线（CXR）是全球最常进行的影像检查之一，但日益增长的影像量增加了放射科医生的工作负担和误诊风险。尽管人工智能（AI）系统在 CXR 解读中展现出潜力，但大多数系统仅生成最终预测，而未明确说明视觉证据如何转化为放射学发现和诊断预测。我们提出了 CheXOne，一个具备推理能力的视觉语言模型用于 CXR 解读。CheXOne 同时生成诊断预测和明确的、临床相关的推理轨迹，将视觉证据、放射学发现与这些预测联系起来。该模型在 1470 万条指令和推理样本上进行训练，这些样本来自 30 个公共数据集，涵盖 36 项 CXR 解读任务，采用结合指令微调与强化学习的两阶段框架以提升推理质量。我们在零样本设置下对视觉问答、报告生成、视觉定位和推理评估共 17 种评估设置进行了评估。CheXOne 超越了现有的医学和通用领域基础模型，并在独立公共基准测试中取得了强劲表现。一项临床读者研究表明，CheXOne 生成的报告在 55% 的情况下与住院医师编写的报告相当或更优，同时有效回应了临床指征并提升了报告撰写和 CXR 解读效率。进一步的放射科医生分析表明，生成的推理轨迹具有高度的临床事实性，并为最终预测提供了因果支持，为性能提升提供了合理解释。这些结果表明，显式推理可以提升 AI 辅助 CXR 解读中的模型性能、可解释性和临床效用。