全文概要
发表于《自然·医学》（Nature Medicine）的一项研究，报告了多模态医学基础模型 EVLF-FM 的开发与验证结果：该模型基于 18 个全球数据集、超过 130 万样本、覆盖 10 种影像模态与 6 大临床专科，在内部验证中平均诊断准确率达 0.895，并在 17 个外部数据集的 1.3 万余独立样本中进行了外部验证。

发表于《自然·医学》（Nature Medicine）的一项研究，报告了多模态医学基础模型 EVLF-FM 的开发与验证结果：该模型基于 18 个全球数据集、超过 130 万样本、覆盖 10 种影像模态与 6 大临床专科，在内部验证中平均诊断准确率达 0.895，并在 17 个外部数据集的 1.3 万余独立样本中进行了外部验证。

1. 覆盖六大临床专科的通用医学基础模型

EVLF-FM 是一项多模态医学基础模型研究，其开发与测试涵盖了超过 130 万个样本，来自 18 个全球数据集，横跨 10 种影像模态，涉及皮肤科、肝病科、眼科、病理科、呼吸科和放射科六大临床专科。这一"通用型"（generalist）设计，试图打破传统 AI 影像模型"一病一模、单模态"的局限，向跨专科、跨模态的通用医学视觉基础模型迈进。

在疾病诊断的内部验证中，EVLF-FM 取得了 0.895 的最高平均准确率，优于主流的通用模型与专科模型。在像素级视觉定位（visual grounding）任务上，其在九种模态中的平均交并比（IoU）达 0.842，说明模型不仅能"判断有无疾病"，还能"指出病灶在哪"。

2. 可解释性经过人工评估检验

医学 AI 的"黑箱"问题是制约其落地的重要障碍。EVLF-FM 研究专门检验了模型的可解释性：采用 S.C.O.R.E. 框架，由人工评分员对模型的推理输出进行评估，总体平均得分达 4.25（满分 5 分），评分者间一致性从"substantial"到"几乎完美"（Gwet’s AC2 介于 0.5 至 0.93）。

这一设计回应了临床医生对 AI 可信度的核心关切——一个能说明"为什么"的模型，比单纯给出结论的模型更容易被医生接受、也更便于在临床中把关。

3. 审慎的结论与明确的边界

尽管内部与外部验证结果积极，研究作者仍以审慎态度明确了局限：当前仍需要在多样化的医疗环境中开展额外验证，且须通过前瞻性临床研究评估 EVLF-FM 的安全性、有效性与临床效用，方能考虑常规临床部署。

这提示，基础模型在医学影像领域的潜力虽大，但从"论文中的高准确率"到"临床中的真实可用"，中间仍需跨越前瞻性验证、监管审批与真实世界落地等多重门槛。对临床与科研工作者而言，这类通用医学基础模型代表了一个值得持续关注的重要技术方向。

来源：《自然·医学》（Nature Medicine）EVLF-FM 研究论文及 The AI Edge 等科技简报

解螺旋科研助手企业微信二维码，扫码添加免费领取科研资料礼包，包含AI科研提效、SCI投稿技巧、国自然基金、医学科研绘图、科研软件工具等实用资料

声明：本文资讯来源于公开报道及学术期刊，仅作行业信息传播，不构成临床用药建议。转载需注明来源。