胸片 AI 进入了一个新阶段：不再只给诊断，开始给推理。

过去的医学影像 AI 更像 " 分类器 "，擅长回答有没有病、像不像某种病。

但真实临床需要的是一条能被医生复核的推理路径。

上海交通大学、上海创智学院与瑞金医院联合发布的CX-Mind，是目前首个将胸片诊断推进为「可验证推理链」的多模态大模型——

从看到异常，到解释为什么、排除了什么、结论怎么来的，每一步都有影像证据支撑。

在横跨 23 个数据集、708,473 张影像的评测中，它在视觉理解、报告生成和时空对齐三大能力域平均提升 25.1%。

而在真实世界测试集 Rui-CXR 上，多中心医生主观评估五项维度全部排名第一。

为什么这项工作重要：医学 AI 的关键矛盾正在改变

胸部 X 光是临床最常用的影像检查之一，也是医学多模态大模型最重要的真实场景。

它的难点并不止于识别某个病灶，而在于把影像观察、病灶定位、共病判断、报告生成、历史比较和临床语义整合到同一个诊断链条中。

这也是过去很多胸片 AI 难以真正进入临床核心工作流的原因。

模型可以给出一个看似准确的标签，但医生仍然会追问：

依据是什么？排除了哪些可能？结论是否与报告 findings 一致？如果模型错了，错误发生在观察、鉴别还是总结阶段？

CX-Mind 试图解决的，正是这个更深层的问题。

它不是把思维链写得更长，也不是让模型生成一段听起来合理的解释，而是把医学推理拆成可解析的think-answer 交错单元：

每一步先围绕影像证据进行观察和推断，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 "。

这使模型不再只是一个黑箱阅片工具，而更接近医生可以协作、追问和复核的临床推理伙伴。

△CX-Mind 总体框架 CX-Mind 的三重突破第一重突破：重新定义胸片大模型的输出范式

传统医学视觉模型大多遵循 one-shot judgment 路线：输入影像，输出标签、选项或报告。

即便引入 CoT，也常常变成一整段难以验证的长文本。

这样的解释看似完整，却很难判断哪些中间步骤真正来自影像，哪些只是语言模型生成的 " 医学叙事 "。

CX-Mind 的关键设计是interleaved reasoning。

在封闭式问题中，它逐项评估候选答案，给出保留或排除的证据；在开放式问题中，它先提出可能疾病，再围绕每一种疾病进行证据核验，最后形成诊断结论。

这种输出方式更接近真实阅片：先观察征象，再形成假设，再进行鉴别，最后写出结论。

这项工作的突破性不在于 " 让模型解释自己 "，而在于让解释成为训练和奖励的一部分。

可解释性不再是事后附加的说明，而是模型学习诊断能力时必须满足的结构约束。

第二重突破：用 CX-Set 构建胸片专家能力谱系

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23 个胸片相关公开数据集，形成708,473 张影像与2,619,148 条指令样本，并进一步构建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 的设计遵循一个清晰问题：一个胸片专家到底需要哪些能力？

论文将其拆解为三大能力域：

Visual Understanding用于疾病识别、单病判断和多病共存诊断；

Text Generation用于 findings、impression 和 summary；

Spatiotemporal Alignment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 学到的不只是 " 某个标签是否存在 "，而是一套完整的胸片诊断工作流：看图、定位、比较、鉴别、总结、生成报告。

这也是它相较于单点分类模型更具基础模型价值的原因。

第三重突破：CuRL-VPR 让强化学习同时约束答案与路径

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。

只奖励 final answer，容易造成奖励稀疏、credit assignment 困难和医学幻觉。

CX-Mind 提出CuRL-VPR，即 curriculum-based reinforcement learning with verifiable process rewards。

它的意思是，先从简单题练起，逐步加难；训练时不只看最终答案对不对，还用真实放射科报告来核查每一步推理是否有影像证据支撑。

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 format reward（格式奖励）、final-result reward（最终结果奖励）和 process reward（过程奖励）。

模型不仅需要输出格式正确、最终答案正确，还需要让中间 think-answer 步骤与真实放射学报告中的证据保持一致。

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。

对于医学场景而言，这一点极其关键：一个来自错误证据的正确结论仍然不可接受，一段没有报告证据支撑的解释仍然可能是幻觉。

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难度梯度，也让开放式医学推理的 RL 过程更稳定。

△CX-Mind 四阶段训练管线结果：越接近真实诊断，交错式推理越显优势视觉理解：多病共存和开放式诊断中优势更突出

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中整体领先。

论文显示，相比胸片专用模型，CX-Mind 在三大能力域上取得 25.1% 平均性能提升。

在更接近真实临床的复杂任务中，这一优势更加明显。

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 interleaved reasoning 的价值不只是改善简单分类，而是在多异常、多证据、多候选诊断同时存在时，帮助模型更稳定地完成临床鉴别。

△视觉理解评测报告生成：从 " 识别异常 " 走向 " 专业表达 "

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、可修改的医学语言。

CX-Mind 在 findings generation、impression generation 和 findings summarization 等任务中取得 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。

这意味着 CX-Mind 不只是 " 看图更准 "，还能够把影像证据转写为与金标准报告语义一致的专业表达，为报告草拟、质控、教学和交互式问答提供基础能力。

△报告生成评测时空对齐：理解影像、文本、体位、时间和位置

真实胸片诊断往往涉及纵向比较和跨模态对齐。

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。

CX-Mind 因此把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空间：随访比较、病程追踪、多模态病历整合，以及未来影像 Agent 对患者纵向状态的理解。

△时空对齐评测真实世界验证：从公开数据集走向院内场景和医生评估

医学 AI 的影响力最终必须通过真实世界检验。

论文进一步构建 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 2018-2023 年采集的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，形成4,031 张高质量胸片测试集，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%。

△Rui-CXR 真实世界评测

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、Logical Coherence、Evidence Support、Differential Diagnostic Coverage、Explanation Clarity。

CX-Mind 在五个维度上均获得最高平均分。

这说明 CX-Mind 的优势不只是自动化指标，而是医生能否读懂、信任和复核模型输出。

对于医疗场景而言，可审查性本身就是临床价值的一部分。

△多中心医生评估更大的影响：从胸片模型到医学智能体基础能力

如果把 CX-Mind 放在医学 AI 的更大图景中，它的意义在于推动了一个关键转向：

从 " 医学视觉模型 " 走向 " 医学推理模型 "，再走向 " 可被医生协作审查的医学智能体 "。

这一思路有望迁移到更多医学场景。

例如，胸部 CT 多癌种筛查需要模型在 3D 影像中分层定位病灶、结合报告和病史进行鉴别；MRI 需要跨序列整合；

病理需要高分辨率区域级证据；

全流程临床 Agent 更需要在入院评估、检查解释、治疗建议和随访管理之间保持连续推理。

当然，临床部署仍需要前瞻性研究、跨医院泛化验证、医生工作流集成、错误边界评估和监管审查。

但从研究范式看，CX-Mind 已经给出了一个清晰信号：

下一代医学 AI 的核心竞争力，不仅是 " 看得准 "，而是 " 推理得清楚、证据可复核、过程可协作 "。

作者简介

论文共同第一作者为李文杰、张钰杰、孙浩然。

李文杰为上海创智学院、上海交通大学、上海交通大学医学院附属瑞金医院联合培养在读博士生，主要研究方向为 Visual Reasoning、Multimodal Large Language Models 与 Medical AI Agents。

张钰杰为上海创智学院、复旦大学联合培养博士生，主要研究方向为 Vision-Language Model Reasoning、Reinforcement Learning 与 Large Language Models。

孙浩然为复旦大学直博二年级博士生，主要研究方向为 Medical Multimodal Large Models, Self-Evolving Memory, AI4Science Experimental Automation。

论文 DOI：https://doi.org/10.1016/j.inffus.2025.104027

GitHub（团队更新版）：https://github.com/SII-WenjieLisjtu/CX-Mind

HuggingFace：https://huggingface.co/SII-JasperLi77/CX-Mind

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

我们正在招聘一名眼疾手快、关注 AI 的学术编辑实习生 

感兴趣的小伙伴欢迎关注  了解详情

点亮星标

科技前沿进展每日见