AI 读片能圈出位置了，换一套片子又圈不准

新加坡国家眼科中心和 Duke-NUS 的团队在 10 月 29 日的《自然·医学》上线了一个叫 EVLF-FM 的模型。它和过去的读片 AI 差在一处：给出判断的同时，会在图像上画一个方框，指出自己看的是哪一块，再用几句话说出理由。在它练过的常见影像上，这个框和医生标注的范围重叠过半的比例是 0.842；换到一套它没练过的难片子上，同一个指标掉到 0.360。

所以这个模型现在还不能拿来替医生找病灶。作者在讨论部分写得很直白：准确率还达不到直接上临床通常要求的水平，这是一个可以往下改的底座，不是能装进医院系统就用的产品。

你拍了一张胸片，模型输出一行字：像是肺炎。可它看的是左下肺那片发白，还是看到了片子角上的一个标记、甚至看到了这台机器拍出来的图都偏暗，从这一行字里看不出来。医生要核对，只能自己把片子从头读一遍。这就是知其然，不知其所以然，核不了的意见，在临床上不敢当依据用。

AI 说片子有问题，医生为什么还得自己再读一遍

过去训练一个读片模型，喂进去的多半是「整张片子有没有病」这一个标签：一万张胸片，每张后面跟一个「肺炎」或者「正常」。模型要做的，是从整张图的灰度分布里找出一套能把两类分开的规律。至于这套规律落在图像的哪个位置上，训练过程从来没有要求过。

结果就是模型学到的东西可能和病灶无关。文献里反复报告过这类情况：模型靠的是某家医院胸片上固定出现的字母标记，或者靠便携机拍摄时特有的成像风格，照样能把阳性病例挑出来。但换一家医院，这套规律立刻失效。

医生看不见模型的依据，就没法在它出错之前发现它走偏了。要让读片 AI 真的进入流程，模型得把「我看的是这一块」摆出来，让人当场能对。

还有一层是责任。影像报告上签字的是医生，出了问题也由医生和医院承担。一个只给结论、不交代依据的工具，等于把核对的活儿原样退还给医生，省下来的时间很有限。这也是过去十来年里，读片 AI 论文发了很多、真正长期留在科室流程里的却不多的原因之一。

这次它多做了一步：在片子上画框，再说出理由

EVLF-FM 同时做三类任务：给诊断、回答关于图像的问题、在像素级别上把病灶框出来并写出推理过程。训练和测试一共用了超过 130 万份样本，来自 18 个公开数据集，覆盖 10 种影像和 6 个专科，包括皮肤镜、病理切片、X 线、超声、眼底照相、光学相干断层扫描和 CT。另外还用 17 个数据集、13,443 份样本做了外部测试。

在疾病诊断这一项上，它的平均准确率是 0.895，在同场比较的 4 个通用视觉语言模型、6 个专科基础模型和 8 个专科深度学习模型里排第一。不过这个数字不能理解成「和医生比准确率 89.5%」，论文没有做模型与医生的头对头比较，它比的是模型和模型。

框画得准不准，是怎么算出来的

评价一个框画得好不好，常用的办法是算交并比：把 AI 画的框和医生标注的范围叠在一起，算出两者的交集面积，再除以两者一共覆盖的面积。两个框完全重合，这个值等于 1；完全错开，等于 0。论文里 Acc@0.5 的意思，是交并比超过 0.5 的病例占了多大比例，通俗讲就是「重叠过半才算找对」。

在 BiomedParse 和 VinDr-CXR 这两套数据上，跨 9 种影像平均下来，EVLF-FM 的 Acc@0.5 是 0.842，对照模型 InternVL 8B 是 0.755；更宽松的 Acc@0.1 是 0.946，对照是 0.865。下图来自原文 Fig. 5，红色实线框是医生标注的范围，蓝色虚线框是模型自己画的，右上角的 IoU 就是交并比。

换一套没练过的片子，为什么就圈不准了

另一组数字更要紧。研究者把同一个模型放到 Med-GRIT-270k 这套数据上，它事先没有用这套数据训练过，平均 Acc@0.5 只有 0.360。用其中一小部分数据补练之后，升到 0.545。

从 0.842 掉到 0.360，中间差的是什么呢？差的是这个模型见没见过这一类片子、这一类标注习惯。Med-GRIT-270k 覆盖 CT、MRI、X 线、PET、内镜、皮肤镜、眼底和超声八种影像，病灶类型更杂，标注框的画法也和前面那两套数据不一样。模型在熟悉的分布里学到的定位规律，换个分布就对不上了。

所以「AI 定位病灶准不准」这个问题不能一概而论。它在什么影像上、用谁标注的数据上测出来的，决定了这个数字能不能搬到别处用。同一个模型，换一套片子就可能差出一倍多。

补练少量数据就能从 0.360 回到 0.545，差的只是它对这一类片子的熟悉程度，基本能力还在。同一个产品进到一家新医院，用这家医院自己的片子和标注再调一轮，成绩会比直接拿来用好得多。这一点在采购和验收的时候很容易被忽略：厂家出示的成绩单，多半来自他们自己整理好的数据。

这个本事是怎么练出来的

论文把训练分成两段，顺序不能颠倒。第一段是监督微调：在基础模型上加入成套的推理过程数据，让它学会把判断的步骤写出来，准确率从 0.766 升到 0.811；再给它装上两套部件，一套负责像素级定位，一套负责病种识别，准确率到 0.845。

第二段是强化微调，用的方法叫 GRPO。这一步的关键在于奖励怎么给：框和真实标注重叠得多就加分，写出来的理由和专家参考说法对得上也加分。模型为了拿分，就得把注意力真的放在病灶上，而不只是把结论猜对。加上这一步之后，准确率到 0.858。

顺序反过来就不行。跳过监督微调、直接上强化学习，准确率掉到 0.676，比基础模型还差。强化学习是在已有能力上做调优，底子没打好的时候，它没有可以优化的方向。

12 位医生给它的推理打了多少分

光有框还不够，模型写出来的理由也得站得住。研究者请了 12 位医生来打分，其中 4 位低年资医生、8 位放射、病理和眼科的专科医生，从安全性、是否符合共识、客观性、可重复性和可解释性五个方面各打 1 到 5 分。

总平均分 4.25，上下波动 0.94。五项里客观性最高，4.36，说明模型写出来的理由大多能对应到图上确实存在的征象。按影像分，OCT 最高，4.73。

打分的人之间也对得上。研究者用 Gwet's AC2 系数衡量评分者一致性，结果落在 0.5 到 0.93 之间；在 CT、眼底照相、OCT 和胸片这四类影像上，有 74% 到 91% 的评分相差不超过 1 分。一致性这么高，说明这个 4.25 分不是某一两位医生的个人印象。

分歧出在 CT 上。只有这一项，专科医生给的分明显低于低年资医生，专科医生给出的理由是，拿单独一层切片去判断一个三维的 CT 检查，本来就有局限。专家还指出模型会漏掉一些不决定诊断、但临床上有意义的发现：糖尿病黄斑水肿的 OCT 例子里，漏掉了玻璃体黄斑牵拉或视网膜前膜；胸片的例子里，漏掉了肺容积增大。

模型能抓住最显眼的异常，可一份合格的影像报告要求把看到的都写下来，哪怕它和主要诊断无关。漏掉的这几项，恰恰是医生读片时要顺手记下的内容。

这些结果不能说明什么

第一，全部数据来自公开数据集的回顾性测试，没有一例是在真实门诊里前瞻收集的。数据集里的片子经过整理、质量整齐，真实世界的片子有体位不正、有伪影、有患者配合不好。拿数据集成绩推临床表现，多少有点纸上谈兵。

第二，模型只处理二维静态图像。CT 和 OCT 在临床上是一叠连续的断层，医生要上下翻着看，这个模型目前只看单张。专科医生在 CT 上给低分，和这一条是对得上的。

第三，训练数据的代表性有限。作者自己提到，公开数据集在人群、设备和罕见病上都不够全面，模型在这些地方的表现可能不如测出来的数字好看。

第四，0.895 也好，0.842 也好，都是和别的模型比出来的，不是和医生比出来的。

对看病的人意味着什么

短期内你不会直接用到这个模型。它还在论文阶段，作者写明要先做前瞻性临床研究，评估安全性、有效性和临床价值，才谈得上进流程。

判断一个读片 AI 值不值得信，关键看它能不能让人核。一个只给结论的系统，对不对你无从判断；一个把框和理由摆出来的系统，医生几秒钟就能看出它有没有看错地方。可解释性在这里是临床能不能用的前提。

如果你在网上见到某个工具说能帮你读片子，不妨先问一句，它的成绩是在什么数据上测出来的吧。同一个模型换一套片子就从 0.842 掉到 0.360，这个落差放在哪个工具身上都可能出现。

参考来源

Bai Y, et al. Nat Med 2026 (EVLF-FM)

AI 辅助整理，作者审核；内容仅供参考，具体诊疗请遵医嘱。