近日，新加坡國立大學博士后研究員藺奇卡和合作者研發(fā)了DeepMedix-R1，這是一個專為胸部 X 光圖像解讀設(shè)計的醫(yī)學基礎(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)和在線強化學習，不僅在報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圖像局部區(qū)域的理解和推理能力。這種結(jié)合為醫(yī)學影像分析領(lǐng)域提供了新的方法論，證明了通過精心設(shè)計的訓練流程，可以使模型具備更強的可解釋性和臨床適用性。研究團隊發(fā)現(xiàn)在醫(yī)學基礎(chǔ)模型的訓練中引入在線強化學習，能夠有效地同時提升模型的推理質(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、準確地解讀胸部X光圖像，提供初步診斷建議和詳細的推理過程，從而輔助醫(yī)生做出更明智的診斷決策，尤其在醫(yī)療資源相對匱乏的地區(qū)，能夠有效提升診斷效率和準確性。除此之外，在遠程醫(yī)療服務(wù)中，DeepMedix-R1可以對上傳的胸部X光圖像進行實時分析和解讀，為患者提供及時的診斷反饋，有助于早期發(fā)現(xiàn)疾病，特別是在大規(guī)模疾病篩查項目中，能夠提高篩查效率和覆蓋率，降低醫(yī)療成本。

醫(yī)學AI領(lǐng)域，尤其是醫(yī)學影像分析方向，盡管大模型取得了顯著進展，但在臨床實踐中的應(yīng)用仍面臨諸多挑戰(zhàn)。研究團隊發(fā)現(xiàn)，現(xiàn)有的醫(yī)學基礎(chǔ)模型在生成診斷結(jié)果時，往往缺乏透明的推理過程和對圖像局部區(qū)域的精確關(guān)聯(lián)，這使得醫(yī)生難以驗證模型的決策依據(jù)，進而限制了其在高風險的醫(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主要問題：

1）缺乏透明推理：當前的醫(yī)學模型多以“黑盒”方式運行，僅提供診斷答案，未能揭示其背后的臨床推理邏輯。這種不可解釋性導致醫(yī)生無法判斷模型的判斷是否基于正確的醫(yī)學知識，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)學圖像中的具體病變區(qū)域方面能力不足。然而，放射學和病理學診斷本質(zhì)上依賴于對特定解剖特征或病理細節(jié)的精細評估，這一局限性嚴重制約了模型的臨床實用性。

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

基于對醫(yī)學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，研究團隊首先確定了開發(fā)具備推理能力的胸部X光解讀模型的研究課題。之后項目主要經(jīng)過了三個階段：數(shù)據(jù)收集、模型設(shè)計與初步訓練、全面評估與驗證。研究團隊先收集和整理了公開數(shù)據(jù)集如MIMIC-CXR、OpenI等，并進行了嚴格的清洗工作，確保數(shù)據(jù)的準確性和多樣性；之后設(shè)計了DeepMedix模型的基礎(chǔ)架構(gòu)和訓練方式，采用先進的視覺-語言模型作為骨干，并進行三階段的訓練；最后對DeepMedix-R1進行了全方位的評估，包括在多個公開數(shù)據(jù)集上的性能測試、與現(xiàn)有模型的對比分析、專家評估等，從定量指標到定性分析，多角度驗證了模型的有效性和優(yōu)越性，確保其在實際應(yīng)用中能夠可靠地發(fā)揮作用?！氨本┼]電大學的朱一凡老師組織了醫(yī)療專家對推理過程的人工評價，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。其一是在強化學習訓練的初期階段，模型表現(xiàn)非常不穩(wěn)定，甚至一度出現(xiàn)性能倒退。研究團隊投入了大量時間排查問題根源，最終通過反復調(diào)整獎勵函數(shù)的設(shè)計以及其他超參數(shù)，成功克服了這一困難。其二是，盡管 DeepMedix-R1在多項指標上取得了顯著優(yōu)勢，但專家人工評估發(fā)現(xiàn)，其推理過程中仍會出現(xiàn)不相關(guān)或錯誤的描述，這也是當前基礎(chǔ)模型普遍面臨的挑戰(zhàn)。

研究團隊已將這一問題列入后續(xù)重點改進計劃，希望在未來版本中逐步提升推理的準確性和可靠性。

目前，研究團隊已有明確的后續(xù)計劃，主要是方法和應(yīng)用兩方面的工作。第一，擴展多模態(tài)能力：將模型擴展到CT、MRI等多模態(tài)影像數(shù)據(jù)，支持更廣泛的醫(yī)學影像分析，并設(shè)計多樣化的強化學習獎勵，進一步減少模型幻覺，提升推理步驟的準確性和完整性，目標是達到接近人類專家的水平。第二，從應(yīng)用角度來說，計劃與更多的醫(yī)院合作，開展臨床試點研究，驗證模型在真實場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、西安交通大學和南洋理工大學。在此期間，藺奇卡對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，在新加坡國立大學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)表多篇頂會論文，并參與國家重點研發(fā)計劃和新加坡衛(wèi)生部課題在內(nèi)的多項重大科研項目?！澳壳拔艺诳紤]創(chuàng)業(yè)，在和醫(yī)院的專業(yè)醫(yī)生接觸，打算先了解真實醫(yī)療場景的需求?！彼詈蟊硎尽?/p>

參考資料：https://arxiv.org/pdf/2509.03906