对应论文

ClinFusion: A Vision-Centric Multimodal LLM System for Holistic Medical Understanding

视频简介

临床多模态大模型的部署面临异构2D和3D医学图像理解及评估对齐的挑战。 提出ClinFusion,包含级联空间感知局部融合算子(Cascade Spatial-Aware Locality Fusion)的视觉编码器,以及基于视觉的评估框架MedIF-Bench和RoI接地指标。 在24项基准测试中20项超越开源模型,在16项中13项优于GPT-5.2和Gemini-3-Flash;放射科医生盲评确认其报告质量最高,且RoI指标与专家判断相关性最强。 该工作系统提升了医学视觉-语言理解的实证性能,但主要针对医学影像领域,通用性有限;评估框架和编码器设计具有可复用性,但尚未在非医学领域验证。

外部视频链接

论文链接