面向胸部 X 光分析的推理视觉语言模型

视觉语言模型（VLM）在医学图像分析中显示出巨大的潜力，但大多数模型仍不透明，仅提供预测，而不像临床医生那样提供透明、逐步的推理过程。我们提出一种框架，将链路思维（CoT）推理引入胸部 X 光解读。灵感来自以推理为主的训练范式，我们的方法旨在学习专家如何推理，而不仅仅是他们的结论，通过将中间步骤与可观察的图像证据和放射学工作流程对齐。除了准确率外，显式的推理痕迹支持临床审计：它们揭示了为何得出该结论、考虑了哪些备选方案以及不确定性在何处，从而支持质量保证、错误分析以及更安全的人机协作。我们的模型将高保真视觉编码与两个阶段的训练配方结合起来：推理风格的监督微调（SFT） followed by 强化学习（RL），后者使用一组 X 光异常值的可验证奖励。模型输出的推理模仿放射科医生的系统性思考过程、不确定性和鉴别诊断。在分布外评估中，该方法在保持竞争性的多标签分类准确率的同时，提高了可解释性。在一位专家放射科医生的读者研究中，完整的推理痕迹提高了信心，支持错误审计，并缩短了确定报告的时间。我们发布代码和模型 NV-Reason-CXR-3B，以支持社区在胸腔 X 光和其他需要推理质量与预测质量同样关键的医学影像任务中可信、可解释 AI 的进展。