技术深度解析
这一转变的技术支柱建立在三大基石之上：基础模型微调、跨模态对齐和少样本适应。
基础模型微调： 2025-2026年的主流方法是采用大型预训练视觉或视觉-语言模型，并在医学数据上进行微调。例如，Google的Med-PaLM 3（基于PaLM-2变体）通过整合医学专用视觉编码器和临床推理链，在MedQA基准上达到了92.4%的准确率。同样，开源项目MONAI（Medical Open Network for AI，现已更新至v1.5，拥有超过8000个GitHub星标）提供了一个在3D医学图像上微调基础模型的框架，支持器官分割和病灶检测等任务。关键创新在于参数高效微调（PEFT）方法，如LoRA和Adapters，这使得单个基础模型能够适应数十种医学任务，仅需更新原始参数的1-2%。
跨模态对齐： 第二个突破是跨模态的表示对齐。例如，BioViL（Biomedical Vision-Language）模型使用对比学习将胸部X光片与其对应的放射学报告对齐，在MIMIC-CXR数据集上报告生成任务达到了0.78的F1分数——比2024年的基线提升了15%。更先进的系统如RadPathNet整合了组织病理学切片与放射学图像，使模型能够通过同时分析活检切片，预测CT上看到的肺结节是否为恶性。这种跨模态推理由配备交叉注意力机制的Transformer架构驱动，该机制能动态学习每个模态的重要性权重。
少样本与自监督学习： 最实用的进步在于标注需求的降低。MedFuse框架（来自MIT和哈佛）在未标注的CT扫描数据（超过100万个体积）上进行自监督预训练，随后每类仅用10个标注样本进行少样本微调，即可达到在1000个样本上训练的全监督模型性能的89%。这对于标注数据稀缺的罕见病至关重要。开源库TorchXRayVision（超过3500个星标）现已包含预训练模型，只需50张图像即可针对新的胸部X光病理进行微调。
基准性能对比：
| 模型 | 任务 | 数据集 | 准确率/F1 | 所需训练数据 | 推理延迟（每张图像） |
|---|---|---|---|---|---|
| Med-PaLM 3 | 放射学报告生成 | MIMIC-CXR | 0.78 F1 | 0（零样本） | 2.1秒 |
| RadImageNet 2.0 | 器官分割 | TotalSegmentator | 0.94 Dice | 100个标注体积 | 0.8秒 |
| BioViL | 胸部X光分类 | CheXpert | 0.91 AUC | 200张标注图像 | 0.3秒 |
| MedFuse（少样本） | 肺结节分类 | LIDC-IDRI | 0.89 AUC | 10个标注结节 | 1.5秒 |
数据要点： 表格显示，性能最佳的模型现在能以显著更少的标注数据达到临床级准确率。Med-PaLM 3的零样本能力尤为突出——它无需任何任务特定训练即可生成连贯的放射学报告，尽管其延迟较高。对于实时应用，RadImageNet 2.0在准确率和速度之间提供了最佳平衡。
关键参与者与案例研究
Google Health 继续以Med-PaLM 3领先，该模型现已部署在50多家医院进行试点项目。其策略是提供基于云的API，与现有PACS系统集成，每份报告收费0.50美元。早期数据显示，胸部X光片的放射科医生报告时间减少了30%。
NVIDIA 已将其Clara平台转向聚焦基础模型。他们的MONAI框架已成为3D医学影像研究的事实标准，最近他们还发布了BioMegatron，一个拥有50亿参数的模型，在1000万张医学图像和200万份临床笔记上进行了预训练。NVIDIA的商业模式是软硬件捆绑：他们销售预装这些模型的DGX系统，目标客户是大型医院网络。
初创公司正在颠覆这一领域。 RadAI（2024年YC毕业生）构建了一个少样本分割工具，允许放射科医生仅用5次点击即可标注新的器官或病理，然后在一小时内生成定制模型。他们向每位放射科医生每月收费200美元，并已与15家美国医院系统签订合同。PathoLogic专注于数字病理学，使用经过微调的DINOv2自监督模型对前列腺癌活检进行分类，AUC达到0.97，在最近的一项盲法研究中优于人类病理学家（人类AUC为0.94）。他们正在寻求FDA 510(k)许可，预计在2026年第四季度获批。
开源生态系统： Hugging Face医学中心现已托管超过500个医学AI模型，其中最受欢迎的是BiomedCLIP（一个用于医学图像的视觉-语言模型）。