胸片AI迈入“可验证推理”阶段：CX-Mind如何让诊断过程可追溯、可复核？

导语：CX-Mind让胸片AI从给答案走向可验证推理。

胸部X光是临床中使用最广泛的影像检查之一，也是医学AI最容易落地、但同时最难真正进入核心诊疗流程的场景之一。过去的胸片AI大多擅长回答“有没有某种疾病”“是否像某类病灶”，但在真实临床中，医生真正需要的不只是一个标签，而是一条能够被检查、追问和复核的诊断路径。

近日，上海交通大学、上海创智学院与瑞金医院联合发布了多模态胸片大模型CX-Mind。这项工作的核心看点在于：它不再只追求给出诊断结论，而是尝试把胸片诊断推进到“可验证推理链”阶段。也就是说，从模型看到异常、解释依据、排除可能疾病，到最终形成报告，每一步都需要有影像或放射学报告证据支撑。

在横跨23个数据集、708,473张影像的评测中，CX-Mind在视觉理解、报告生成和时空对齐三大能力域上平均提升25.1%。在真实世界测试集Rui-CXR上，它还在多中心医生主观评估的五项维度中全部排名第一，显示出从实验室指标走向临床可用性的潜力。

为什么胸片AI需要从“分类器”变成“推理伙伴”？

传统医学影像AI往往更像一个分类器：输入一张胸片，输出一个疾病标签、风险分数或候选答案。这类模型在某些封闭任务上可以表现很好，但临床诊断远比“判断有无疾病”复杂。

在胸片阅片中，医生通常需要完成一整套工作流：观察影像征象、判断病灶位置、分析多病共存情况、结合临床提示、对比历史影像、生成规范报告，并在必要时解释为什么支持某个诊断、为什么排除另一个诊断。

这也是许多胸片AI难以进入真实临床核心流程的原因。一个模型即便给出了看似正确的结论，医生仍然会追问：

• 模型的诊断依据是什么？
• 它看到了哪些影像征象？
• 它排除了哪些可能疾病？
• 最终结论是否与报告中的findings一致？
• 如果模型判断错误，错误发生在观察、鉴别诊断，还是总结阶段？

CX-Mind试图解决的正是这个更深层的问题。它的目标并不是让模型写出一段“听起来合理”的解释，而是把医学推理拆分为可解析、可训练、可奖励的think-answer交错单元。每一步都先围绕影像证据进行观察与推断，再输出阶段性答案，随后继续完成鉴别、定位、报告生成或病程判断。

换句话说，CX-Mind把医学影像大模型的目标从“给出答案”推进为“给出可审查的答案形成过程”。这让模型不再只是一个黑箱阅片工具，而更接近可与医生协作、被医生追问和复核的临床推理伙伴。

CX-Mind的核心突破：让推理过程成为训练目标

1. 交错式推理：不是长篇解释，而是逐步可核查

传统医学视觉模型大多遵循“一次性判断”路线：输入影像后直接输出标签、选项或报告。即便引入思维链（CoT），也常常变成一整段难以验证的文本。这样的解释表面上完整，但很难判断哪些内容真正来自影像，哪些只是语言模型根据医学常识生成的叙事。

CX-Mind的关键设计是interleaved reasoning，即交错式推理。在封闭式问题中，模型会逐项评估候选答案，并给出保留或排除的证据；在开放式问题中，它会先提出可能疾病，再围绕每一种疾病进行证据核验，最终形成诊断结论。

这种方式更接近真实阅片逻辑：先观察征象，再形成诊断假设，然后进行鉴别，最后写出结论。其突破并不只是“让模型解释自己”，而是让解释过程成为训练与奖励的一部分。可解释性不再是事后的附加说明，而是模型学习诊断能力时必须满足的结构约束。

2. CX-Set：覆盖胸片诊断全流程的大规模指令数据集

要训练一个真正面向胸片诊断的大模型，仅靠疾病标签远远不够。CX-Mind团队构建了大规模胸片指令数据集CX-Set，整合了23个胸片相关公开数据集，包含708,473张影像和2,619,148条指令样本。在此基础上，团队进一步构建了42,828条由真实放射学报告监督的高质量交错式推理样本。

CX-Set的设计围绕一个核心问题展开：一个胸片专家究竟需要哪些能力？论文将其拆解为三大能力域：

• Visual Understanding（视觉理解）：用于疾病识别、单病判断和多病共存诊断。
• Text Generation（文本生成）：用于生成findings、impression和summary等报告内容。
• Spatiotemporal Alignment（时空对齐）：用于影像-文本匹配、体位识别、疾病进展判断和病灶定位。

因此，CX-Mind学习到的并不只是“某个标签是否存在”，而是一套更完整的胸片诊断流程：看图、定位、比较、鉴别、总结与生成报告。这也是它相比单点分类模型更接近基础模型的原因。

3. CuRL-VPR：同时奖励最终答案和推理过程

医学诊断任务的强化学习难度远高于一般选择题。开放式答案空间复杂，疾病可能共存，医学表达也存在多种等价写法。更重要的是，最终答案正确并不代表中间推理可靠。如果只奖励final answer，容易出现奖励稀疏、责任归因困难和医学幻觉等问题。

为此，CX-Mind提出了CuRL-VPR，即基于课程学习的可验证过程奖励强化学习（curriculum-based reinforcement learning with verifiable process rewards）。简单来说，它让模型先从简单题开始训练，再逐渐过渡到复杂任务；训练时不仅检查最终答案是否正确，还利用真实放射科报告核查每一步推理是否有证据支撑。

整个训练流程包括医学文本warm-up、大规模胸片指令微调、交错式推理cold-start，以及基于GRPO的课程强化学习。在奖励机制上，CX-Mind同时使用三类奖励：

• Format reward：要求模型输出符合预设格式。
• Final-result reward：检查最终诊断或答案是否正确。
• Process reward：核验中间think-answer步骤是否与真实放射学报告中的证据一致。

这意味着强化学习不再只盯着终点，而是开始关注路径质量。对医学场景来说，这一点尤其关键：一个来自错误证据的正确结论依然不可接受，一段没有报告证据支撑的解释也仍然可能是幻觉。

同时，CX-Mind采用closed-to-open课程学习策略，先在二分类和选择题等封闭式任务上建立稳定、可验证的奖励，再迁移到开放式诊断任务。这种训练节奏更符合临床任务的难度梯度，也让开放式医学推理的强化学习过程更加稳定。

评测结果：越接近真实诊断，CX-Mind优势越明显

视觉理解：多病共存和开放式诊断中提升显著

在视觉理解任务中，CX-Mind在二分类、单疾病识别、多疾病共存识别和开放式疾病识别等方向整体领先。论文数据显示，相比胸片专用模型，CX-Mind在三大能力域上取得25.1%的平均性能提升。

在更接近真实临床的复杂任务中，这种优势更加突出。单疾病识别任务中，CX-Mind相比CheXagent和ChestX-Reasoner平均提升19.5%和21.0%；在多病共存诊断中，相应提升达到63.5%和21.2%。

这说明交错式推理的价值并不只在于提升简单分类能力，而是在多异常、多证据、多候选诊断同时存在的场景下，帮助模型更稳定地完成临床鉴别。

报告生成：从识别异常走向专业医学表达

临床可用的胸片AI不能只给标签，还需要把影像发现转化为规范、清晰、可编辑的医学语言。CX-Mind在findings generation、impression generation和findings summarization等任务中取得了SOTA表现。

与GPT-4o相比，CX-Mind在Finding Generation任务中BERTScore高1.6%、BLEU高7.6%、ROUGE平均高11.1%。在带indication的Finding Generation中，BERTScore、BLEU和ROUGE平均分别高出3.6%、21.7%和22%。

在Impression Generation与Impression Generation with Indication中，CX-Mind分别达到90.3%和80.7%的BERTScore。这表明它不只是“看图更准”，还能够将影像证据转写为与金标准报告语义更一致的专业表达，为报告草拟、质控、教学和交互式问答提供基础能力。

时空对齐：理解影像、文本、体位、时间和位置

真实胸片诊断经常涉及纵向比较与跨模态对齐。医生需要判断同一患者不同时间点的病变进展，也需要确认报告描述、拍摄体位和病灶位置是否一致。因此，CX-Mind将Spatiotemporal Alignment作为核心能力之一。

在image-text matching和disease progression任务中，CX-Mind分别比最佳基线平均提升25.8%和30.2%。在OpenI外部测试集上，影像-文本匹配和体位识别分别达到76%和88.3%。在RSNA与CXR-AL14外部定位数据集上，CX-Mind的mean IoU分别达到38.5%和14.9%。

这部分能力指向更大的临床应用空间，包括随访比较、病程追踪、多模态病历整合，以及未来影像Agent对患者纵向健康状态的理解。

真实世界验证：Rui-CXR测试集与医生评估

医学AI的价值最终必须经受真实世界检验。论文进一步构建了Rui-CXR真实世界测试集，原始数据来自上海交通大学医学院附属瑞金医院骨科在2018年至2023年期间采集的80,648名患者标准PA位胸片及报告。经过脱敏、筛选和一致性验证后，团队形成了包含4,031张高质量胸片的测试集，覆盖14种常见胸部疾病。

在Rui-CXR上，CX-Mind在14种疾病诊断中保持领先，mean recall@1明显超过第二名模型。在真实世界报告生成任务中，标准Finding Generation的BERTScore达到0.80，带indication的版本达到0.82，较第二名模型平均提升约5%。

更关键的是，团队还邀请多中心、不同资历层级的临床医生进行主观评估，评价维度包括：

• Clinical Relevance：临床相关性
• Logical Coherence：逻辑一致性
• Evidence Support：证据支持程度
• Differential Diagnostic Coverage：鉴别诊断覆盖度
• Explanation Clarity：解释清晰度

CX-Mind在上述五个维度上均获得最高平均分。这说明它的优势不只是体现在自动化指标上，更体现在医生能否读懂、信任并复核模型输出。

结语：医学影像AI正在从“答案模型”走向“过程模型”

CX-Mind的意义在于，它把胸片AI的竞争焦点从单纯的识别准确率，进一步推向可验证推理、报告生成、时空对齐和真实世界可用性。对于医学场景来说，模型给出正确答案固然重要，但更重要的是它能否说明答案如何形成，以及这些推理是否有可靠证据支持。

从这个角度看，CX-Mind并不是简单地让模型“解释得更多”，而是让模型在训练阶段就学会遵循可审查的医学推理结构。它代表了医学多模态大模型的一条重要发展方向：未来的影像AI不仅要会看图，还要能被追问、能被复核、能与医生协同工作。