摘要：推理是推进医学影像分析的关键前沿领域，其中透明度和可信度对于赢得临床医生信任和获得监管批准起着核心作用。尽管医学视觉语言模型（VLMs）在放射学任务中展现出巨大潜力，但大多数现有VLM仅给出最终答案，而不揭示其背后的推理过程。为了填补这一空白，我们推出了MedVLM-R1，这是一种能够明确生成自然语言推理的医学VLM，以增强透明度和可信度。MedVLM-R1没有采用常因过拟合训练数据分布而无法培养真正推理能力的监督微调（SFT）方法，而是采用了一种强化学习框架，激励模型在不使用任何推理参考的情况下发现人类可解释的推理路径。尽管训练数据有限（600个视觉问答样本）且模型参数较少（20亿），但MedVLM-R1在MRI、CT和X射线基准测试中的准确率从55.11%提升到了78.22%，表现优于在超过一百万样本上训练的更大型模型。此外，它还在非分布内任务中展现出了强大的域泛化能力。通过将医学影像分析与明确推理相结合，MedVLM-R1标志着在临床实践中迈向可信且可解释的人工智能的重要一步。Huggingface链接：Paper page论文链接：2502.19634

一、引言

随着医学影像技术的快速发展，每年进行的医学影像扫描数量已超过80亿次。在诊断需求不断增长的背景下，对高效的人工智能（AI）驱动影像解读的需求也日益迫切。医学视觉语言模型（VLMs）作为处理医学影像与文本信息融合的重要工具，在放射学视觉问答（VQA）等任务中展现出了巨大潜力。然而，现有医学VLM大多仅能提供最终答案，缺乏对其推理过程的解释，这在临床应用中引发了对透明度和可信度的关注。本文介绍的MedVLM-R1模型，旨在通过强化学习（RL）框架激励模型生成明确的自然语言推理，从而提升医学影像分析的透明度和可信度。

二、背景与动机

1. 医学影像分析的挑战

医学影像分析在现代医疗中占据核心地位，但其复杂性和多样性对AI模型提出了高要求。透明度和可信度是赢得临床医生信任和获得监管批准的关键因素。然而，传统医学VLM往往仅关注最终答案的准确性，忽略了推理过程的解释，这限制了它们在临床决策支持中的应用。

2. 现有医学VLM的局限性

当前，大多数医学VLM采用监督微调（SFT）策略进行训练，这种方法依赖于最终答案的监督信号。然而，SFT存在两个主要问题：一是过拟合训练数据分布，导致在未见过的数据（即分布外数据）上表现不佳；二是缺乏对推理能力的真正培养，因为直接监督最终答案无法有效激励模型学习推理步骤。尽管可以通过蒸馏教师模型的链式思考（CoT）推理来改进SFT，但在医疗等专业领域构建高质量的CoT数据成本高昂且难以扩展。

3. 强化学习的优势

与SFT不同，强化学习（RL）通过奖励模型发现自己的逻辑步骤来培养推理能力，而不是记忆最终答案或复制教师的CoT推理。RL训练的模型通常显示出比SFT模型更好的泛化能力。特别地，组相对策略优化（GRPO）作为一种RL算法，通过规则基组相对优势选择动作，消除了对神经奖励模型的需求，从而降低了计算需求，非常适合资源受限的医疗领域。

三、MedVLM-R1模型介绍

1. 模型概述

MedVLM-R1是一种能够生成明确推理过程的医学VLM，它采用GRPO框架进行训练，旨在提升医学影像分析的透明度和可信度。该模型不仅提供最终答案，还通过自然语言形式详细阐述其推理过程。

2. 模型架构与训练

MedVLM-R1以Qwen2-VL-2B作为基础模型，该模型预先在网页数据、开源数据集和合成数据上进行了训练。为了将Qwen2-VL-2B适应医学领域，研究团队采用了GRPO强化学习框架。在训练过程中，模型接收包含图像和文本提示的输入，并生成包含推理过程和最终答案的输出。推理过程被封装在<think>...</think>标签中，而最终答案则位于<answer>...</answer>标签内。

GRPO的训练过程包括以下几个步骤：首先，从当前模型参数下的分布中采样多个候选输出；然后，根据预设的奖励函数计算每个输出的奖励，并计算组相对优势；最后，通过最大化包含裁剪正则化的相对优势估计来更新模型参数，以防止灾难性遗忘。奖励函数由格式奖励和准确性奖励两部分组成，格式奖励确保输出符合预定义的结构，而准确性奖励则评估最终答案的正确性。

3. 数据集与实验设置

研究团队使用HuatuoGPT-Vision评估数据集进行实验，该数据集是从多个公开可用的医学VQA基准数据集合并而来，包括VQA-RAD、SLAKE、PathVQA、OmniMedVQA和PMC-VQA等。数据集包含17,300个与医学影像（如MRI、CT和X射线）相关的多选题，每个问题有2到6个选项。研究团队使用600个MRI图像-问题对进行训练，并将300个MRI、300个CT和300个X射线图像-问题对分别用于测试。MRI测试集用于域内测试，而CT和X射线测试集则用于分布外测试。

4. 实验结果与讨论

MedVLM-R1在域内和分布外测试集上均表现出色。与基于SFT的模型相比，MedVLM-R1在分布外测试集上的准确率提升显著，特别是在CT和X射线测试集上分别提高了16%和35%。此外，尽管MedVLM-R1是一个参数较少（20亿）且训练数据有限（600个样本）的模型，但其性能却优于在超过一百万样本上训练的更大型模型（如Qwen2-VL-72B和HuatuoGPT-Vision-7B）。

MedVLM-R1的核心优势在于其能够生成明确的自然语言推理。如图2所示，MedVLM-R1为每个问题提供了详细的推理过程，这些推理过程在逻辑上与医学知识相一致。然而，对于一些更复杂的问题，MedVLM-R1的推理可能显得启发式或部分性。例如，在某些情况下，模型通过排除法得出正确答案，而不是基于详细的医学分析。此外，尽管MedVLM-R1在大多数情况下能够提供有意义的推理过程，但有时也会给出与结论不一致的推理，这表明即使是为解释性设计的模型也可能偶尔回归到肤浅或幻觉般的合理化过程。

四、模型限制与未来展望

1. 模型限制

尽管MedVLM-R1在医学影像分析方面取得了显著进展，但仍存在一些限制。首先，当测试其他医学模态（如病理图像或OCT图像）时，模型无法收敛。这可能是由于基础模型在预训练期间对这些模态的暴露不足所致。其次，当前方法仅适用于多选题（闭集）VQA任务，在开放性问题设置下（即没有预定义选项的问题）性能显著下降。这也是许多VLM面临的共同挑战。最后，尽管MedVLM-R1在大多数情况下能够提供有意义的推理过程，但有时会给出肤浅或幻觉般的合理化过程，这表明在生成一致透明和逻辑合理的推理方面仍存在挑战。

2. 未来展望

针对上述限制，研究团队计划在未来工作中采取以下措施进行改进：首先，将MedVLM-R1部署在更大规模的VLM主干网络上，以评估其性能是否有所提升。其次，探索将MedVLM-R1扩展到开放性问题设置下的方法，以进一步提高其泛化能力。最后，研究如何优化奖励函数和训练过程，以鼓励模型生成更一致、透明和逻辑合理的推理过程。

五、结论

本文介绍了MedVLM-R1模型，一种通过强化学习激励医学视觉语言模型推理能力的创新方法。MedVLM-R1不仅能够提供准确的最终答案，还能够生成明确的自然语言推理过程，从而显著提升了医学影像分析的透明度和可信度。尽管仍面临一些挑战和限制，但MedVLM-R1标志着在临床实践中迈向可信且可解释的人工智能的重要一步。随着研究的深入和技术的不断进步，相信未来会有更多类似MedVLM-R1的模型涌现出来，为医学影像分析领域带来更多的创新和突破。