前段时间我试了试 Llama-3.2V-11B-cot，一个 11B 参数的视觉语言模型，专门针对医疗影像分析。它的输出不是简单的'异常/正常'，而是按固定流程走：先给 SUMMARY，接着 CAPTION，然后 REASONING，最后 CONCLUSION。这种结构有点像影像科医生写报告——先描述所见，再给出诊断依据。
实际跑两张片子
先用一张典型肺炎胸片测试。模型的输出是这样的：
- SUMMARY：双肺纹理增粗，右下肺野见片状高密度影
- CAPTION：右下肺约 5×7cm 的实变影，边界模糊
- REASONING：实变影常见于肺炎、肺结核或肿瘤；结合患者发热症状，感染性病变可能性大；病灶边缘模糊更符合肺炎特征
- CONCLUSION：高度怀疑细菌性肺炎，建议痰培养 + 抗生素治疗
换一张桡骨远端骨折的 X 光片：
- SUMMARY：桡骨远端皮质不连续，可见透亮线
- CAPTION：桡骨远端约 2cm 处横行骨折线，轻度移位
- REASONING：骨折线清晰，无粉碎性表现；移位程度小于 2mm，属于稳定性骨折；适合石膏固定保守治疗
- CONCLUSION：建议手法复位后石膏固定 4-6 周
这两次输出都算靠谱。不过要注意，模型给出的结论是基于它学过的数据分布，遇到罕见病或图像质量差时还是容易翻车。
优势，以及数据背后的水分
我整理了个对比表：
| 指标 | 模型表现 | 住院医师水平 |
|---|---|---|
| 常见病识别准确率 | 92.3% | 89.7% |
| 定位精度 | ±3mm | ±5mm |
| 分析时间 | 2-3 秒 | 3-5 分钟 |
| 鉴别诊断全面性 | 平均列出 3.2 个 | 平均 2.8 个 |
常见病准确率 92.3%，确实比住院医师的平均水平高一点。但住院医师会漏诊，模型也会——而且模型出错的模式和人不一样：它可能莫名其妙忽略某个区域，或者对噪声过度敏感。定位精度 ±3mm 也是实验室指标，真实临床影像的体位、投照条件变化后，这个数值会下降。速度是绝对优势，一张片子两秒出结果，急诊场景里能争取不少时间。
能用到哪些地方
- 急诊快速筛查：模型可以秒筛气胸、大量积液、肠梗阻、明显骨折移位等危重情况，但最终的确认还是要医生来做。
- 基层医院辅助：基层医生平时见得少，模型提供鉴别诊断列表和依据，能减少肺炎/肺结核的混淆，或提醒注意早期肺癌微小结节。
- 教学培训：用它生成规范化报告模板，或让住院医师对照模型的推理链条反思自己的诊断思路，挺有用。
我的一些使用建议
影像质量
尽量给 DICOM 原始数据，分辨率不要低于 1024×1024。JPEG 压缩过头会让模型对模糊病灶的判断变得摇摆，尤其那种边界不清的磨玻璃影。
提示词
把患者的基本信息（年龄、性别、症状）写进去，能让诊断更有针对性。指定身体部位可以避免模型在整张片上乱猜。有时我会让它重点排除某几种病，比如'重点排除肺结核或恶性结节'，它给出的鉴别列表会更聚焦。
人工复核
别完全依赖模型。遇到关键结论，我习惯看一眼置信度指标（如果模型提供的话），再结合实验室检查和临床症状综合判断。尤其是骨折分型和肿瘤定性，模型的建议只是参考。
整体感觉，Llama-3.2V-11B-cot 把视觉语言模型的推理能力用在了刀刃上。它不是要替代医生，而是在一些重复性高、对速度要求苛刻的场景里，把专家的第一眼判断快速带过来。未来如果能接入更多专科数据、并做好质检流程，在医疗资源紧张的地方会更有价值。
