标签
论文提出了MedPAO-Assist，一个边缘可部署、模态感知的智能体AI框架，能够利用约0.6B参数的小型语言模型对口述的影像报告进行结构化处理，在仅CPU的笔记本电脑上运行时内存占用约3.3GB，延迟约31秒。
Jason Wei认为，AI不会像普遍预测的那样广泛取代放射科医生，他提出了三个理由：智能的"锯齿边缘"效应（即AI在某些任务上表现优异但在其他任务上表现不佳）、弹性需求（杰文斯悖论）会推动更多的影像扫描量，以及医学本身不断演变的特性使放射科医生持续保持相关性。他预测，从分诊工具走向更全面的自动化，最好情况下需要3到5年的时间。
本研究评估了Jev，一个System One模型，用于测量AI生成的放射学报告中的事实性差异，证明了其相较于其他评估方法的有效性和效率。
ModaLens是一种配对图像交换审计方法，用于测量报告可用性如何降低医学视觉语言模型中的图像敏感性，通过在MIMIC-CXR数据集上使用MedGemma-27B进行演示。
人工智能没有取代放射科医生，而是通过提高医学影像的准确性和效率，促进人类与AI系统的协作，从而转变他们的工作。
本文介绍了一种本地部署的多智能体AI系统，用于放射学报告结构化和质量保证，放射科医生评估显示其性能良好。
RadleyAI正在创建首个AI原生的放射学实践，以解决放射学危机，已经收购了一家实践，并达到年化收入430万美元。
RadFusion 是一个通过将多标签分类器与基于 VQA 的生成器以及 LLM 重写步骤相融合，为放射学报告生成增加阈值可控性的框架，支持灵敏度-特异性的权衡以及基于 ROC 的验证。在 MIMIC-CXR 上的实验表明，其诊断准确性得到提升，报告行为也更适应临床需求。
一篇文章讨论为何AI预测很困难，强调能力提升往往无法转化为端到端的影响，原因在于社会、制度性和隐性瓶颈，并以放射学作为案例研究。
微软研究院推出了CARE-X，一个统一的胸部X射线视觉-语言模型，它结合了灵活推理、校准预测和工具增强测量，用于临床有用的放射学解读。
TotalSegmentator 现在有了一个 MCP 服务器，使得像 Codex 这样的 AI 代理能够运行它，并回答关于 CT 扫描的临床问题，例如检测肝脾肿大或 NAFLD/NASH。
本文强调，用于胸部X光报告生成的 VLMs 在基准测试中能取得高分，但同时会抹去有临床意义的术语并引入有偏见的语言，并提出一个框架来度量这些失败。
本文对放射学视觉语言模型基准进行了取证式可重复性审计，发现预期协议与发布产物之间存在差异，这些差异使原始声明失效。作者提出了一种基准合约，以暴露此类失败类别。
Muse Spark 1.1 在放射学最后考试 2.0（一项面向医疗自主 AI 诊断的新型视觉推理基准）上表现优于 GPT-5.6 Sol 和 Gemini 3.1，但落后于 Fable 和人类放射科医生。
本文介绍了一种流水线方法，只需一次结构化标注即可将自由文本的胸部X光报告转换为多标签矩阵，通过字典编辑即可重新配置标签方案而无需重新标注，从而显著节省成本和时间。
本文改编了一种扩散语言模型用于交互式放射学报告起草，表明其在准确性上与自回归模型相当，同时提供独特的填充能力，使放射科医生能够修复报告片段并让模型填充它们之间的文本。
CONFLUX是一种用于胸部CT合成的3D潜在扩散模型，能够实现高保真的体积生成，并具有可控的临床属性。通过强化学习后训练阶段增强了条件生成的可靠性。该模型及一个包含约20万胸部CT体积的合成数据集已发布。
本文适配了一个混合专家扩散语言模型DiffusionGemma-26B用于交互式放射报告起草，结果表明其在医学视觉问答中匹配或超越自回归模型，解码速度提高3.5-4.4倍，并具备双向填充能力。
本文测量了AI重写放射学报告中的信息退化，发现那些为多模态训练生成更干净文本的任务会导致更大的跨模态对齐损失，这一现象被称为'slop paradox'。
提出MedExpMem，一个经验记忆框架，使医学视觉语言模型能够从过往病例中积累和检索具有鉴别性的诊断经验，在放射学基准上将鉴别诊断准确率最多提升7.0%。