Nature Medicine于2026年10月29日发表论文，介绍可解释视觉语言医学基础模型EVLF-FM。论文称，该模型面向疾病诊断、医学视觉问答和像素级视觉定位，并尝试让生成的解释与图像中的临床证据建立对应关系。论文原文
据论文摘要，EVLF-FM的开发与测试涉及18个全球数据集、超过130万份样本，覆盖皮肤科、肝病学、眼科、病理学、肺病学和放射学六个专科，以及CT、MRI、X光、超声、PET、组织病理、皮肤镜、眼底照相、OCT和内窥镜等十类影像。外部验证另外使用了17个数据集中的13443份独立测试样本。
作者报告称，在内部疾病诊断验证中，EVLF-FM的平均准确率为0.895；在医学视觉定位任务中，平均Acc@0.5为0.842；对解释结果进行人工评估时，S.C.O.R.E.框架下的总体平均分为4.25/5。模型采用监督微调与视觉强化微调相结合的训练策略，论文同时强调，这些解释属于事后生成内容，其是否真正忠实反映模型的决策过程仍需专门评估。
这项工作的重点不只是把多种医学影像放进同一模型，而是试图把“诊断结论—文字说明—图像区域”连接起来，回应医疗多模态模型在可解释性和像素级精度上的两项短板。不过，论文明确指出，模型还需要在更多样化的医疗环境中验证，并开展前瞻性临床研究，才能评估其安全性、有效性和实际临床价值。因此，当前结果应理解为跨模态医学AI的研究验证，不等同于已经获得临床常规使用资格。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
