專為胸部X光圖像設(shè)計(jì)：研發(fā)醫(yī)學(xué)基礎(chǔ)模型，提供清晰可追溯依據(jù)

近日，新加坡國(guó)立大學(xué)博士后研究員藺奇卡和合作者研發(fā)了DeepMedix-R1，這是一個(gè)專為胸部 X 光圖像解讀設(shè)計(jì)的醫(yī)學(xué)基礎(chǔ)模型。DeepMedix-R1的創(chuàng)新之處在于其能夠生成結(jié)構(gòu)化的推理過程，并將推理步驟與圖像中的具體區(qū)域精確關(guān)聯(lián)，為醫(yī)生提供清晰、可追溯的診斷依據(jù)。

DeepMedix-R1通過整合高質(zhì)量合成推理數(shù)據(jù)和在線強(qiáng)化學(xué)習(xí)，不僅在報(bào)告生成和視覺問答任務(wù)中取得了卓越的性能，還顯著提升了模型對(duì)圖像局部區(qū)域的理解和推理能力。這種結(jié)合為醫(yī)學(xué)影像分析領(lǐng)域提供了新的方法論，證明了通過精心設(shè)計(jì)的訓(xùn)練流程，可以使模型具備更強(qiáng)的可解釋性和臨床適用性。研究團(tuán)隊(duì)發(fā)現(xiàn)在醫(yī)學(xué)基礎(chǔ)模型的訓(xùn)練中引入在線強(qiáng)化學(xué)習(xí)，能夠有效地同時(shí)提升模型的推理質(zhì)量和生成性能。這一發(fā)現(xiàn)為未來醫(yī)學(xué)AI模型的優(yōu)化提供了新的思路，即通過與環(huán)境（在這里是醫(yī)學(xué)影像和診斷任務(wù)）的持續(xù)交互，模型能夠不斷自我完善，更好地適應(yīng)臨床實(shí)際需求。

（來源：https://arxiv.org/pdf/2509.03906）

DeepMedix-R1可作為醫(yī)生的智能助手，幫助快速、準(zhǔn)確地解讀胸部X光圖像，提供初步診斷建議和詳細(xì)的推理過程，從而輔助醫(yī)生做出更明智的診斷決策，尤其在醫(yī)療資源相對(duì)匱乏的地區(qū)，能夠有效提升診斷效率和準(zhǔn)確性。除此之外，在遠(yuǎn)程醫(yī)療服務(wù)中，DeepMedix-R1可以對(duì)上傳的胸部X光圖像進(jìn)行實(shí)時(shí)分析和解讀，為患者提供及時(shí)的診斷反饋，有助于早期發(fā)現(xiàn)疾病，特別是在大規(guī)模疾病篩查項(xiàng)目中，能夠提高篩查效率和覆蓋率，降低醫(yī)療成本。

醫(yī)學(xué)AI領(lǐng)域，尤其是醫(yī)學(xué)影像分析方向，盡管大模型取得了顯著進(jìn)展，但在臨床實(shí)踐中的應(yīng)用仍面臨諸多挑戰(zhàn)。研究團(tuán)隊(duì)發(fā)現(xiàn)，現(xiàn)有的醫(yī)學(xué)基礎(chǔ)模型在生成診斷結(jié)果時(shí)，往往缺乏透明的推理過程和對(duì)圖像局部區(qū)域的精確關(guān)聯(lián)，這使得醫(yī)生難以驗(yàn)證模型的決策依據(jù)，進(jìn)而限制了其在高風(fēng)險(xiǎn)的醫(yī)療環(huán)境中的可靠性和可信度。具體來說，現(xiàn)有模型存在以下兩個(gè)主要問題：

1）缺乏透明推理：當(dāng)前的醫(yī)學(xué)模型多以“黑盒”方式運(yùn)行，僅提供診斷答案，未能揭示其背后的臨床推理邏輯。這種不可解釋性導(dǎo)致醫(yī)生無法判斷模型的判斷是否基于正確的醫(yī)學(xué)知識(shí)，從而阻礙了其在臨床決策中的有效應(yīng)用。

2）局部定位能力有限：雖然現(xiàn)有模型在整體圖像解讀上表現(xiàn)尚可，但在精確定位醫(yī)學(xué)圖像中的具體病變區(qū)域方面能力不足。然而，放射學(xué)和病理學(xué)診斷本質(zhì)上依賴于對(duì)特定解剖特征或病理細(xì)節(jié)的精細(xì)評(píng)估，這一局限性嚴(yán)重制約了模型的臨床實(shí)用性。

因此，研究團(tuán)隊(duì)開展了這項(xiàng)研究，旨在開發(fā)一個(gè)具備透明推理能力和局部定位功能的醫(yī)學(xué)基礎(chǔ)模型，以解決上述問題，推動(dòng)醫(yī)學(xué)AI向更可靠、更易于臨床部署的方向發(fā)展。

基于對(duì)醫(yī)學(xué)AI領(lǐng)域現(xiàn)狀的深入調(diào)研分析，以及藺奇卡與Swapnil Mishra和Mengling Feng教授的深入交流討論，研究團(tuán)隊(duì)首先確定了開發(fā)具備推理能力的胸部X光解讀模型的研究課題。之后項(xiàng)目主要經(jīng)過了三個(gè)階段：數(shù)據(jù)收集、模型設(shè)計(jì)與初步訓(xùn)練、全面評(píng)估與驗(yàn)證。研究團(tuán)隊(duì)先收集和整理了公開數(shù)據(jù)集如MIMIC-CXR、OpenI等，并進(jìn)行了嚴(yán)格的清洗工作，確保數(shù)據(jù)的準(zhǔn)確性和多樣性；之后設(shè)計(jì)了DeepMedix模型的基礎(chǔ)架構(gòu)和訓(xùn)練方式，采用先進(jìn)的視覺-語言模型作為骨干，并進(jìn)行三階段的訓(xùn)練；最后對(duì)DeepMedix-R1進(jìn)行了全方位的評(píng)估，包括在多個(gè)公開數(shù)據(jù)集上的性能測(cè)試、與現(xiàn)有模型的對(duì)比分析、專家評(píng)估等，從定量指標(biāo)到定性分析，多角度驗(yàn)證了模型的有效性和優(yōu)越性，確保其在實(shí)際應(yīng)用中能夠可靠地發(fā)揮作用?！氨本┼]電大學(xué)的朱一凡老師組織了醫(yī)療專家對(duì)推理過程的人工評(píng)價(jià)，在此再次表示感謝?！碧A奇卡表示。

研究中，最令藺奇卡印象深刻的主要有兩件事。其一是在強(qiáng)化學(xué)習(xí)訓(xùn)練的初期階段，模型表現(xiàn)非常不穩(wěn)定，甚至一度出現(xiàn)性能倒退。研究團(tuán)隊(duì)投入了大量時(shí)間排查問題根源，最終通過反復(fù)調(diào)整獎(jiǎng)勵(lì)函數(shù)的設(shè)計(jì)以及其他超參數(shù)，成功克服了這一困難。其二是，盡管 DeepMedix-R1在多項(xiàng)指標(biāo)上取得了顯著優(yōu)勢(shì)，但專家人工評(píng)估發(fā)現(xiàn)，其推理過程中仍會(huì)出現(xiàn)不相關(guān)或錯(cuò)誤的描述，這也是當(dāng)前基礎(chǔ)模型普遍面臨的挑戰(zhàn)。

研究團(tuán)隊(duì)已將這一問題列入后續(xù)重點(diǎn)改進(jìn)計(jì)劃，希望在未來版本中逐步提升推理的準(zhǔn)確性和可靠性。

目前，研究團(tuán)隊(duì)已有明確的后續(xù)計(jì)劃，主要是方法和應(yīng)用兩方面的工作。第一，擴(kuò)展多模態(tài)能力：將模型擴(kuò)展到CT、MRI等多模態(tài)影像數(shù)據(jù)，支持更廣泛的醫(yī)學(xué)影像分析，并設(shè)計(jì)多樣化的強(qiáng)化學(xué)習(xí)獎(jiǎng)勵(lì)，進(jìn)一步減少模型幻覺，提升推理步驟的準(zhǔn)確性和完整性，目標(biāo)是達(dá)到接近人類專家的水平。第二，從應(yīng)用角度來說，計(jì)劃與更多的醫(yī)院合作，開展臨床試點(diǎn)研究，驗(yàn)證模型在真實(shí)場(chǎng)景中的效果和可用性。

據(jù)介紹，從本科到博士階段，藺奇卡先后就讀于北京理工大學(xué)、西安交通大學(xué)和南洋理工大學(xué)。在此期間，藺奇卡對(duì)AI領(lǐng)域的前沿技術(shù)產(chǎn)生了濃厚的興趣，并逐步確立了在該方向深入研究的決心。博士畢業(yè)之后，在新加坡國(guó)立大學(xué)作為博士后研究員開展工作，專注于大模型推理與醫(yī)療人工智能的研究。期間發(fā)表多篇頂會(huì)論文，并參與國(guó)家重點(diǎn)研發(fā)計(jì)劃和新加坡衛(wèi)生部課題在內(nèi)的多項(xiàng)重大科研項(xiàng)目?！澳壳拔艺诳紤]創(chuàng)業(yè)，在和醫(yī)院的專業(yè)醫(yī)生接觸，打算先了解真實(shí)醫(yī)療場(chǎng)景的需求?！彼詈蟊硎?。

參考資料：https://arxiv.org/pdf/2509.03906