小罗碎碎念
参考来源：本文核心内容基于发表于《Nature Biomedical Engineering》的研究论文：CLEAR: an auditable foundation model for radiology grounded in clinical concepts；研究团队来自宾夕法尼亚大学佩雷尔曼医学院、亚琛工业大学医院、慕尼黑工业大学等机构，通讯作者为Tianyu Han。
过去十年，深度学习在影像诊断任务上进步神速，从疾病分类、病灶分割到预后预测，性能纪录一再被刷新。
尤其是大样本预训练的基础模型，更是展现了强大的泛化能力。但这些模型几乎都是"黑箱"：输入一张图像，直接输出诊断结果，中间的决策过程、特征依据，连资深放射科医生都看不懂。
更致命的是，黑箱模型很容易学到数据里的"虚假关联"。比如训练集中带监护设备的患者往往病情更重，模型可能就学会了"看到监护仪就判为重症"，而非真正识别病灶。
换一家医院、换一种设备，性能就可能断崖式下跌，而开发者根本找不到性能下降的原因------毕竟黑箱里发生了什么，没人能说清。
正如论文中所言，即便是最先进的基础模型，其泛化性也往往只能靠"信仰"，人们对性能退化的底层原因几乎一无所知。
有没有一种AI，既能保持顶尖的诊断准确率，又能像真实的放射科医生一样，清晰说出自己的诊断依据，甚至出错了还能自我复盘？
近期发表于《Nature Biomedical Engineering》的CLEAR模型，给出了一个解决方案。它的全称为Concept-Level Embeddings for Auditable Radiology（面向可审计放射学的概念级嵌入模型），将所有诊断决策锚定在医生可读懂的临床概念之上，让医学影像AI从"不可解释的黑箱"，变成了可查、可审、可定向修正的透明系统。
CLEAR放射学基础模型核心框架
a. 概念空间构建（Concept space curation）
这是整个模型可解释性的基础，核心是从真实临床报告中挖掘标准化的"放射征象词典"。
- 输入：227,835份胸片对应的自由文本放射科报告
- 方法：通过大语言模型自动解析报告，从中提取离散的放射学观察描述，输出结构化的征象列表
- 产出：共368,294条去重后的独立放射学观察，覆盖肺部病变、心脏异常、血管改变、置管位置等全类别临床描述，例如"轻度肺血管淤血""双肺底斑片影考虑肺不张"等
- 价值：无需专家手工枚举征象，直接从真实临床文本中挖掘，既保证概念符合临床用语习惯，又实现了超大规模的征象覆盖
b. 预训练算法（Pretraining algorithm）
这一步的目标是让模型建立"图像-文本"的语义对齐，学会"看图识征象"。
- 双编码器架构：
- 图像编码器：基于DINOv2预训练的视觉Transformer，负责提取胸片的视觉特征
- 文本编码器：负责提取放射报告的文本语义特征
- 训练方式：采用对比学习框架，在超87万对胸片-报告数据上训练，目标是让配对的图文特征在向量空间中距离尽可能近，非配对样本距离尽可能远
- 价值：任务无关的预训练让模型获得了通用的胸片语义理解能力，无需针对单病种标注，就能泛化到各类影像识别任务
c. CLEAR概念标注概览
这是推理阶段的第一步：将输入图像转化为一组人类可读懂的"征象得分"。
- 输入一张胸片后，图像编码器输出视觉特征，文本编码器输出每个概念的文本特征
- 通过计算两两相似度（点积/余弦相似度），给36万余个放射学概念分别打出匹配分数，分数越高代表图像中越可能存在该征象
- 类比来看，这就像医生读片时，逐一核对"是否存在肺不张、是否有胸腔积液"，并给每个征象标注置信度
- 价值：从这一步开始，图像的表示就不再是不可解释的黑箱向量，而是完全对应临床术语的可解读分值
d. CLEAR图像嵌入生成概览
这一步将概念得分融合语义关联，生成最终的、兼具可解释性与语义丰富度的图像嵌入。
整体分为三步：
- 计算图像与全部概念的两两相似度矩阵
- 引入大语言模型预训练的概念嵌入（如text-embedding-3-small、SFR-Embedding-Mistral），这些向量天然包含概念间的语义关联（例如"肺不张"与"支气管血管聚拢"高度相关）
- 通过矩阵乘法，将概念相似度向量与概念嵌入矩阵相乘，得到最终的基于概念的图像嵌入
价值：最终的嵌入既保留了可追溯的概念权重，又具备大语言模型的丰富语义表达能力，支撑零样本分类、混杂因素审计、概念瓶颈模型构建等一系列下游应用
医学AI交流群
目前小罗全平台关注量120,000+，交流群总成员4000+，大部分来自国内外顶尖院校/医院，期待您的加入！！
由于近期入群推销人员较多，已开启入群验证，扫码添加我的联系方式，备注姓名-单位-科室/专业，即可邀您入群。
一、CLEAR的四层创新架构
传统医学影像AI的路径是"图像→黑箱特征→诊断"，中间的特征向量没有任何临床含义；而CLEAR的核心创新，就是在图像与最终诊断之间，加入了一层人类完全可理解的"临床概念"------也就是放射科医生写报告时使用的标准征象描述。
整个推理路径变成了"图像→征象匹配→语义融合→诊断"，每一步都对应明确的临床含义，就像医生先观察具体征象，再综合判断疾病。
从23万份报告中，挖出36万条"医生的诊断语言"
构建可解释模型的第一步，是要有一套足够全面、符合临床习惯的"概念词典"。研究团队没有依赖专家手工罗列征象，而是直接从真实临床报告中挖掘。
他们以MIMIC-CXR数据集的227,835份放射报告为基础，用大语言模型自动从报告的"所见"和"印象"部分提取离散的放射学观察描述，经过去重、归一化处理后，最终得到了368,294条独一无二的放射学观察。
从"轻度心影增大""双侧少量胸腔积液"这样的典型征象，到"PICC管末端位于上腔静脉"这样的置管描述，全部被收入其中。
为了保证提取质量，团队做了三重验证：重复运行 pipeline 的字符一致性达98.2%，否定表述不会被颠倒，97.3%的提取内容都被放射科医生判定为忠实原文、无幻觉生成。
图文对齐预训练，让模型学会"看图识征象"
有了概念词典，下一步是让模型学会"把图像和文字对应起来"。
研究团队汇总了MIMIC-CXR、CheXpert-Plus、ReXGradient三个数据集，共873,342对胸片-报告数据（覆盖239,391名患者），采用对比学习框架进行预训练。
模型包含两个编码器：
- 图像编码器基于DINOv2 ViT-B/14架构，负责提取胸片的视觉特征；
- 文本编码器采用12层Transformer结构，负责提取报告的文本特征。
训练目标很简单：让配对的图像和报告在语义空间里距离尽可能近，不配对的距离尽可能远。
经过大规模图文配对训练后，模型就具备了通用的"图文对齐"能力。
这一步训练是任务无关的------不需要针对任何一种疾病标注标签，模型学到的是通用的胸片语义表示，这也是它后续能实现零样本诊断的基础。
逐概念匹配，给每张胸片开出"征象得分表"
预训练完成后，面对一张全新的胸片，CLEAR首先会做一次"全概念匹配"。
它先用图像编码器提取这张胸片的视觉特征，然后和"征象词典"里36万多条观察的文本特征逐一计算相似度，最终得到一个36万维的相似度向量------每一个数值，都对应一条放射学观察与这张图像的匹配程度，分数越高，说明图像中越可能存在该征象。
你看到的不再是一个干巴巴的"肺炎"结论，而是"肺实变 0.85、支气管充气征 0.72、胸腔积液 0.31......"这样一条条具体的、医生能直接看懂的依据。
从这一步开始，模型的所有判断都不再是黑箱：它的每一分诊断置信度，都可以追溯到具体的影像征象上。
接入大模型语义空间，让征象"活"起来
如果只有孤立的征象得分，模型还无法利用征象之间的语义关联。CLEAR的巧妙之处，在于它把概念得分进一步"翻译"进了大语言模型的语义空间。
具体来说，团队预先用SFR-Embedding-Mistral等大语言嵌入模型，给36万条概念都计算了语义嵌入向量；推理时，把上一步得到的相似度得分向量，与概念嵌入矩阵做矩阵乘法，最终得到一个基于临床概念的高维图像嵌入。
模型会知道"肺不张"和"支气管血管聚拢""肋膈角变钝"是高度相关的，也能理解不同描述之间的细微差别。
这些语义关联会被整合进最终的图像表示中，让诊断更精准，也支撑起了零样本分类、混杂因素审计等高级能力。
二、三项硬核实验
零样本分类性能领跑同类模型，还能自查错误原因
零样本诊断是基础模型的核心能力------不用针对特定疾病重新训练，只要给出疾病名称，就能直接做诊断，这对罕见病、小样本场景价值巨大。
研究团队选用了三个完全独立的外部数据集进行测试：
- 越南的VinDr-CXR（3000张图像、21种征象）
- 西班牙的PadChest（7943张图像、55种征象）
- 美国的Indiana数据集（7466张图像、30种征象）
全部采用放射科医生标注的金标准。
对比基线包括CheXzero、BiomedCLIP、OpenAI CLIP等主流视觉语言模型，核心指标为AUROC（ROC曲线下面积，越接近1说明诊断准确率越高）。
结果非常清晰：
- 在VinDr-CXR上，CLEAR平均零样本AUROC达78.2%，比第二名CheXzero高出3.2个百分点，在结节/肿块、肺肿瘤、肺纤维化等病种上提升尤为显著；
- 在PadChest上，CLEAR平均AUROC为70.0%，领先CheXzero 3.2个百分点，大幅甩开BiomedCLIP与OpenAI CLIP；
- 在Indiana数据集上，CLEAR在绝大多数征象上都优于所有对比模型。
更有价值的是它的审计能力。
以肺炎检测为例：CLEAR在越南数据集上AUROC高达0.938，在西班牙数据集上则降至0.835。
换做黑箱模型，研究者只能笼统归因于"人群差异""设备差异"，说不清具体机制。而通过CLEAR的概念聚类审计，可以直接定位到：误差最高的图像簇，大多伴随间质性肺纹理与舌段肺不张。
这并非模型的"bug"，反而完全符合临床常识------间质性改变与肺不张会掩盖肺炎的实变影，本身就是放射诊断的公认难点，与Fleischner学会的指南结论高度一致。其他模型只能"给结果"，CLEAR还能"给复盘"，这才是临床真正需要的能力。
混杂因素审计，揪出数据里的"虚假关联"，还能一键修正
很多人默认"有监督训练一定比零样本准"，但真实数据里的混杂因素，往往会让模型"学歪"。
研究团队在MIMIC-CXR训练集上训练线性分类器，在CheXpert测试集验证。
整体结果上，CLEAR的线性探测平均AUROC达87.0%，远超BiomedCLIP的71.8%与OpenAI CLIP的67.6%，13个病种中有9个显著优于CheXzero，概率校准表现也更优秀。
但在"心纵隔增大（EC）"这个任务上，出现了反常现象：零样本时AUROC还有0.890，有监督训练后反而掉到了0.727，性能不升反降。
通过CLEAR的概念重要性分析，原因立刻浮出水面：
- MIMIC-CXR训练数据中，标注为"心纵隔增大"的病例，很多同时合并肺不张；
- 模型在有监督学习时走了"捷径"，学会了"看到肺不张就判为纵隔增大"这个虚假关联，而非真正识别纵隔轮廓的改变。这就是典型的数据集混杂因素。
最关键的是，找到了问题，就可以定向修正。研究团队没有重训整个图像编码器，只是从36万概念中，只保留了与纵隔相关的49,167条概念，用过滤后的特征重新训练了一个轻量线性分类器。
结果立竿见影：AUROC直接从0.727回升到0.784，相对提升7.8%。再看修正后的概念权重，预测依据已经完全变成了"纵隔轮廓增宽""胸主动脉迂曲增宽"等临床正确的征象。
同样的性能下降，在CheXzero等黑箱模型上也同样存在，但你既找不到根源，也无法定向修正。
CLEAR实现了"诊断问题→定位原因→干预修正"的完整闭环，这是端到端黑箱模型永远无法做到的。
专家级概念瓶颈模型，可解释，也能比肩放射科医生
概念瓶颈模型（CBM）是公认的高可解释模型，但行业长期有一个共识：越可解释，性能越差------因为专家手工选定的概念数量少、主观性强，很难覆盖所有诊断信息。
CLEAR用数据驱动的概念选择，打破了这个权衡。团队先通过线性探针，从36万概念中给13种疾病各筛选出前10个预测性最强的概念，再用GPT-4.1去重、过滤冗余，最终得到68个高质量核心概念，构建了CLEAR CBM。
随后，团队在CheXpert测试集上，将模型与3位 board-certified 放射科医生进行对比，测试5种常见疾病的诊断水平。
结果令人振奋：整体上，CLEAR CBM的平均诊断性能与放射科医生没有统计学差异。
其中在肺不张诊断上，CLEAR CBM的马修斯相关系数（MCC）达到0.587，甚至超过了医生的0.546；在心影增大、肺水肿、胸腔积液上，模型与医生水平相当。同时，模型的概率校准误差极低，远优于标准CBM。
为了验证概念的临床合理性，3位放射科医生还做了盲法评估：对13种疾病的前10个重要概念，平均89.8%被评为"具有诊断相关性"，0%被判定为"数据集伪影或捷径"。
也就是说，模型看重的诊断依据，和临床医生的判断逻辑高度一致。
这意味着，"性能与可解释不可兼得"的困局，并非不可突破。只要概念选得准、表示得好，完全可以打造出既透明、又达到专家级水平的医学AI。
三、从"准确率竞赛"到"可信落地"，医学AI的下一个十年
CLEAR的价值，远不止又一个刷新纪录的影像模型。它真正的意义，是为医学AI的临床落地，打开了一条"可信、可审、可控"的新路径。
对临床而言，它重构了人机协作的模式。
过去AI进临床，最大的阻力从来不是准确率不够，而是医生不敢信------不知道它何时会出错、出错的原因是什么。
CLEAR这种概念级可解释模型，相当于让AI像规培医生一样，向上级医生"汇报诊断依据"：列出自己观察到的所有征象，以及每个征象的权重。医生可以直接核对、纠正，也可以放心采纳结论。
AI不再是一个"黑箱按钮"，而是一个结构化的诊断辅助工具，真正融入临床工作流。
对研发而言，它重塑了模型优化的范式。
过去发现模型泛化性差、性能掉点，开发者只能靠换数据、调参数反复试错，如同在黑箱里摸索。
现在有了概念级审计工具，可以精准定位问题：是某类征象识别不准？还是数据里存在混杂因素？甚至可以通过概念干预快速修正，无需从头重训整个模型，研发效率与安全性都大幅提升。
放眼未来，这套框架还有广阔的拓展空间。
论文中也提到，下一步可以纳入更多国家、更多语种的影像报告数据，构建更全面的概念库，提升跨人群、跨设备的泛化性；也可以从胸片扩展到CT、MRI等更多影像模态，覆盖更多临床场景。
长远来看，基于临床概念的统一表示，还可以支撑结构化报告生成、医学教学培训、跨中心影像质控，甚至结合临床数据做预后预测、治疗响应评估等更多任务。
更深远的影响在于，它解锁了海量的存量临床数据。全球医院里沉淀着不计其数的历史影像与报告，过去它们大多只能用来训练黑箱模型，价值难以充分释放；而CLEAR的方法，可以把这些非结构化的临床文本，提炼成结构化、可复用的医学概念知识，变成整个行业共享的知识资产。
说到这里，我想问大家一个问题：医学AI光追求准确率够吗？答案显然是否定的。
医疗是高风险领域，可信、可审、可解释，和准确率同等重要。CLEAR的出现，不是又一次"准确率刷新纪录"的常规突破，而是一次范式的转向------它让医学影像AI从"单纯追求更准"，走向了"追求更可信、更可控"。
当AI能像真正的临床医生一样，清晰说出自己的诊断依据，接受临床的检验与修正，它才真正有资格走进病房，成为医生可靠的伙伴。
加入团队
我们是一支由国内外顶尖高校硕博组成的前沿交叉团队，多名成员以第一作者身份在Nature、Nature Communications、Advanced Science以及Radiology等顶级期刊发表过论文。
团队正在招聘实习生/分析师/讲师，欢迎医工交叉方向的优秀硕博，投递个人简历到团队邮箱：lxltx2025@163.com