上交x创智x瑞金联合发布CX-Mind：胸片诊断进入“可验证推理”时代

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

文章来自于微信公众号 “量子位”，作者 “量子位”