（来源：机器之心）
本研究由解放军总医院牵头，联合浙江大学医学院附属第二医院、复旦大学附属华山医院等共 11 家国内顶尖三甲医院，携手南京大学、吉林大学两所重点高校，并汇聚 Pi3Lab、上海三友医疗器械股份有限公司等产学研多方力量，共同完成了首个面向脊柱诊疗领域的大模型研发。
论文共同第一作者包括赵明、董文辉博士、张阳医生，核心贡献者包括来自浙江大学医学院附属第二医院的陈其昕教授、夏顺楷医生，以及复旦大学附属华山医院的马晓生教授、管韵致医生等。通讯作者为解放军总医院骨科医学部副主任孙天胜教授，共同通讯作者为南京大学智能科学与技术副院长单彩峰教授。
脊柱疾病影响全球 6.19 亿人，是致残的主要原因之一 。然而，现有 AI 模型在临床决策中仍存在「认知鸿沟」。缺乏椎体级别（level-aware）、多模态融合的指令数据和标准化基准，是制约 AI 辅助诊断的关键瓶颈。
本文提出了一套统性的解决方案，包括首个大规模、具有可追溯性的脊柱指令数据集 SpineMed-450K，以及临床级评测基准 SpineBench。基于此训练出的专科大模型 SpineGPT，在所有任务上均实现了显著提升，仅仅 7B 参数量，全面超越了包括 GLM-4.5V 和 Qwen2.5-VL-72B 在内的顶尖开源大模型 。
论文地址：https://arxiv.org/pdf/2510.03160
论文地址：https://arxiv.org/pdf/2510.03160
临床痛点：通用 LVLM 的「认知鸿沟」
脊柱疾病的临床诊疗，需要复杂的推理过程：整合 X 光、CT、MRI 等多模态影像的发现，并将病灶精确定位到特定的椎体层面（Level-Aware Reasoning），以确定严重程度并规划干预措施 。这种集成推理能力，是现有通用视觉 - 语言大模型（LVLMs）的系统性弱点 。
在 SpineBench 的评测中，这一弱点暴露无遗 ：
性能差距明显： 即使是参数量达 72B 的 Qwen2.5-VL-72B，平均性能也仅为 79.88%。领先的开源模型 GLM-4.5V (83.26%) 与顶尖专有模型 Gemini-2.5-Pro (89.23%) 之间仍存在近 6 个百分点的差距。在医疗报告生成任务中，更是差距明显，Qwen2.5VL-72B 和 Gemini-2.5-pro 差 30%。
跨模态对齐缺陷： 几乎所有模型在多模态任务上的性能都有不同程度的下降 。例如，GPT5 在纯文本 QA (87.41%) 与图像 QA (79.97%) 之间的差距高达 7.44 个百分点 。这反映了现有模型在医学图像理解和视觉 - 语言对齐上的根本不足，限制了它们在需要综合分析图像和文本的临床场景中的应用。
性能差距明显： 即使是参数量达 72B 的 Qwen2.5-VL-72B，平均性能也仅为 79.88%。领先的开源模型 GLM-4.5V (83.26%) 与顶尖专有模型 Gemini-2.5-Pro (89.23%) 之间仍存在近 6 个百分点的差距。在医疗报告生成任务中，更是差距明显，Qwen2.5VL-72B 和 Gemini-2.5-pro 差 30%。
跨模态对齐缺陷： 几乎所有模型在多模态任务上的性能都有不同程度的下降 。例如，GPT5 在纯文本 QA (87.41%) 与图像 QA (79.97%) 之间的差距高达 7.44 个百分点 。这反映了现有模型在医学图像理解和视觉 - 语言对齐上的根本不足，限制了它们在需要综合分析图像和文本的临床场景中的应用。
核心成果：构建临床级 AI 的「基础设施」
为填补现有数据与临床需求之间的认知鸿沟，研究团队与实践中的脊柱外科医生共同设计和构建了 SpineMed 生态系统。
1. SpineMed-450K：椎体级、多模态指令数据集
这是首个明确为椎体级推理而设计的大规模数据集。
规模与来源： 包含超过 450,000 条指令实例。数据来源极其丰富，包括教科书、外科指南、专家共识、开放数据集（如 Spark、VerSe 20262020），以及约 1,000 例去识别化的多模态医院真实病例。真实病例来源于国内 11 家知名医院，确保了患者来源的多样性 。
生成管线： 数据生成采用了严谨的「临床医生介入」（Clinician-in-the-loop）流程。该流程涉及：
规模与来源： 包含超过 450,000 条指令实例。数据来源极其丰富，包括教科书、外科指南、专家共识、开放数据集（如 Spark、VerSe 20262020），以及约 1,000 例去识别化的多模态医院真实病例。真实病例来源于国内 11 家知名医院，确保了患者来源的多样性 。
生成管线： 数据生成采用了严谨的「临床医生介入」（Clinician-in-the-loop）流程。该流程涉及：
——使用 PaddleOCR 提取图文信息；
——通过新型的图像 - 上下文匹配算法，将图像与其周围的文本上下文精确绑定，保证可追溯性；
——利用 LLM 两阶段生成方法（起草和修订）来生成高质量的指令数据，且临床医生参与了提示词策略和修订标准的审查。
任务多样性： 涵盖四种类型——多项选择 QA（249k）、开放式 QA（197k）、多轮诊疗对话（1.1k）和临床报告生成（821 例）。数据覆盖七个骨科亚专科，其中脊柱外科数据占比 47%，并细分为 14 种脊柱亚疾病。
任务多样性： 涵盖四种类型——多项选择 QA（249k）、开放式 QA（197k）、多轮诊疗对话（1.1k）和临床报告生成（821 例）。数据覆盖七个骨科亚专科，其中脊柱外科数据占比 47%，并细分为 14 种脊柱亚疾病。
2. SpineBench：首个临床显著性评估基准
SpineBench 是一个与临床深度结合的评估框架，旨在评估 AI 在细粒度、以解剖为中心的推理中犯下的、在实践中至关重要的错误类型。
基准构成： 最终包含 487 道高质量多项选择题和 87 个报告生成提示 。
严谨验证： 为确保评估集的完整性，由 17 名骨科外科医生组成的团队，分成三个独立小组进行了严格的验证和校正。
报告评估：针对临床报告生成任务，设计了由专家校准的框架。评估从五大板块、十个维度进行：
基准构成： 最终包含 487 道高质量多项选择题和 87 个报告生成提示 。
严谨验证： 为确保评估集的完整性，由 17 名骨科外科医生组成的团队，分成三个独立小组进行了严格的验证和校正。
报告评估：针对临床报告生成任务，设计了由专家校准的框架。评估从五大板块、十个维度进行：
结构化影像报告（SIP）：评估发现的准确性、临床意义和定量描述 。
AI 辅助诊断（AAD）：评估主要诊断的正确性、鉴别诊断和临床推理 。
治疗建议（TR）：分为患者指导（语言清晰度、共情、安抚）、循证计划（理由、指南一致性）和技术可行性（手术细节、并发症预防）。
风险与预后评估（RPM）：评估围手术期管理、随访安排和潜在问题策略 。
推理与免责声明（RD）：评估证据覆盖范围、相关性、细节粒度和逻辑连贯性。
结构化影像报告（SIP）：评估发现的准确性、临床意义和定量描述 。
AI 辅助诊断（AAD）：评估主要诊断的正确性、鉴别诊断和临床推理 。
治疗建议（TR）：分为患者指导（语言清晰度、共情、安抚）、循证计划（理由、指南一致性）和技术可行性（手术细节、并发症预防）。
风险与预后评估（RPM）：评估围手术期管理、随访安排和潜在问题策略 。
推理与免责声明（RD）：评估证据覆盖范围、相关性、细节粒度和逻辑连贯性。
实验结果：专科 AI 模型 SpineGPT 的突破性表现
SpineGPT 基于 Qwen2.5-VL-7B-Instruct 模型，通过课程学习（Curriculum Learning）框架，分三阶段在 SpineMed-450K 上进行微调，以逐步增强其在脊柱健康领域的适用性和专业性 。
1.超越开源，逼近顶尖专有模型： SpineGPT 达到了 87.44% 的平均分，大幅领先所有开源大模型 4.18 个百分点以上。在纯文本 QA 任务上（89.46%），SpineGPT 甚至超越了所有参评模型，包括 GPT5 (87.41%) 。
2.专科数据的重要性（消融实验）：
模型仅在通用医疗数据上训练时，性能显著下降（74.95% vs 65.31%）。
纳入精心策划的非脊柱通用骨科数据后，性能得到大幅提升（82.14% vs 74.95%），验证了领域对齐训练数据的重要性。
最终，纳入脊柱特异性训练数据（包括对话、报告生成和长链推理指令）后，模型性能进一步增强至 87.89%。
模型仅在通用医疗数据上训练时，性能显著下降（74.95% vs 65.31%）。
纳入精心策划的非脊柱通用骨科数据后，性能得到大幅提升（82.14% vs 74.95%），验证了领域对齐训练数据的重要性。
最终，纳入脊柱特异性训练数据（包括对话、报告生成和长链推理指令）后，模型性能进一步增强至 87.89%。
3.临床报告能力显著增强： SpineGPT 在医疗报告生成任务上的总分为 87.24 分，而 Qwen2.5-VL-72B 仅为 63.80 分，ChatGPT-4o 为 64.04 分。
案例对比：在对「青少年特发性脊柱侧凸」病例的分析中，SpineGPT 提供了包含 72 个详细的临床处理流程，涵盖了完整的影像发现、AI 诊断、患者和医生导向的治疗建议、风险管理和术后问题管理。相比之下，ChatGPT-4o 的报告则更偏向『于适』合一般医疗文档的基本诊断和治疗建议。
案例对比：在对「青少年特发性脊柱侧凸」病例的分析中，SpineGPT 提供了包含 72 个详细的临床处理流程，涵盖了完整的影像发现、AI 诊断、患者和医生导向的治疗建议、风险管理和术后问题管理。相比之下，ChatGPT-4o 的报告则更偏向『于适』合一般医疗文档的基本诊断和治疗建议。
4.人类专家高度认可： 人类专家对报告评分与 LLM 自动评分之间的 Pearson 相关系数达到 0.382 至 0.949，大多数维度相关性在 0.7 以上。这有力地验证了 LLM 自动评分作为专家判断代理的可靠性。
结论与展望
这项研究证明了：对于脊柱诊断这样需要复杂解剖推理的专业领域，专科指令数据和「临床医生介入」的开发流程是实现临床级 AI 能力的关键。
SpineMed-450K 和 SpineBench 的发布，为未来的 AI 研究提供了一个高实用性的基线。研究团队计划将拓展数据集、训练大于 7B 参数的模型，并结合强化学习技术，继续深化与领先专有模型的直接比较，以确立更清晰的性能基准。
Pi3Lab 介绍
Pi3Lab 专注于 AI Agent 的行业落地，致力于通过 RLaaS 平台让通用模型在实际业务中真正低成本、高效率地用起来。目前我们正在招聘 RL RA（强化学习研究助理），欢迎投递简历：wenhui.dong@pi3lab.com
