斯坦福大学与根特大学联手：让AI读片"懂历史"，胸片报告质量大幅提升

这项由斯坦福大学电气工程系、斯坦福大学医学院生物医学数据科学系以及比利时根特大学数学建模、统计与生物信息学系联合完成的研究，发表于2026年6月，以预印本形式挂载于arXiv平台，编号为arXiv:2606.28393v1，感兴趣的读者可通过该编号检索完整论文。

你有没有想过，当医生拿到你最新的胸片时，他做的第一件事不是盯着这张片子发呆，而是把它和你上一次的胸片放在一起对比看？"上次这里有个小阴影，这次消了——好转了。""这里出现了新的积液，需要关注。"整个诊断的核心，其实是在描述**变化**，而不只是描述"现状"。

这个看似普通的临床常识，却长期被AI读片系统忽视。现有的AI胸片报告生成工具，大多像一个从不看档案的新来实习生——每次都把眼前这张片子当作全新任务，完全不考虑病人上次的情况。这项研究的核心贡献，就是在不改动AI模型本身的前提下，设计了一套让AI在"选报告"时能参考病人历史的筛选机制，从而让最终输出的报告质量明显提升。

一、为什么AI读片总是"失忆"

要理解这项研究解决的问题，先从医院里真实发生的事说起。胸部X光是全世界做得最多的医学影像检查，每天产生的片子数以百万计。放射科医生工作量巨大，AI辅助生成报告的需求因此非常迫切。近年来，视觉语言模型（可以理解为"既能看图又能写文字的AI"）已经能够自动生成相当不错的胸片报告草稿，大大减轻了医生的工作负担。

然而，这些AI系统有一个根本性的盲点：它们生成的报告，是基于眼前这张孤立的图像写出来的，完全不知道病人上次检查说的是什么。这就好像一个厨师每次做菜都忘了上次客人的口味反馈，只能凭感觉猜。更要紧的是，一份好的胸片报告，相当大的篇幅应该在描述"和上次相比有什么变化"——稳定、好转、还是恶化？这些变化描述对临床决策至关重要，却恰恰是现有AI最薄弱的地方。

现有的一些研究确实尝试过把上一次的片子或报告"喂给"AI，让生成模型在写报告时能参考历史信息。但研究团队注意到一个被忽视的角度：即便在AI生成多份候选报告、再从中挑选最好一份的"海选"环节，也没有人考虑过用病人的历史来辅助筛选。这个"海选"环节在学术上叫做"Best-of-N采样"（从N个候选答案里挑最好的），是提升AI输出质量的常用技巧。研究团队的切入点正是这里。

二、"历史档案馆"：一个全新的筛选思路

研究团队提出的方法，可以用一个档案馆的比喻来理解。

假设某家医院积累了几万对"上次报告→本次报告"的真实病例档案。每一对档案都记录了一个病人从某次检查到下一次检查，报告内容究竟发生了怎样的变化。这些变化有些是"肺部阴影消退"，有些是"心脏轮廓保持正常"，有些是"出现新的胸腔积液"……把这些变化汇聚起来，就形成了一个描述"正常的、临床上合理的变化模式"的档案库。

现在，AI为某个新病人生成了5份候选报告。研究团队的问题是：这5份报告里，哪一份描述的"从上次到这次的变化"，最符合真实临床中常见的变化模式？找到这份报告，就是找到了最合理的那个答案。

这个思路看起来简单，但工程上有一个关键难点：怎么把"变化"这件事数学化？一份报告是一段文字，两份报告之间的"变化"更是抽象的东西，如何让计算机理解并比较？这正是这篇论文的技术核心所在。

三、把报告变成"星座图"，把变化变成"方向箭头"

研究团队的解决思路，分为两个步骤，可以用"星座图"和"方向箭头"这套比喻来理解。

**第一步：把每份报告变成一片"星云"。**

一份胸片报告通常由"发现（Findings）"和"印象（Impression）"两部分组成。前者详细描述片子上看到的每一个现象，后者是医生的综合判断和结论。研究团队先把每个部分拆解成一句一句的独立句子，然后用一个冻结不动的句子编码器（具体用的是all-mpnet-base-v2，一个专门用来理解句子含义的预训练模型）把每句话转换成一个768维的数学向量——可以理解为把每句话变成宇宙中一个坐标固定的"星星"。一份报告，就变成了一片由多颗"星星"组成的"星云"，每颗星星代表报告中的一句话，星星的位置反映这句话的语义内容，相近意思的句子靠得更近。

这种表示方式有一个天然的好处：句子的顺序不影响结果。医生写报告时先说肺部再说心脏，还是先说心脏再说肺部，在这套表示中并不重要，因为"星云"是无序的集合，这与实际情况相符——发现的顺序本来就没有诊断意义。

**第二步：把两片"星云"的变化压缩成一个"方向箭头"。**

有了"上次报告星云"和"本次报告星云"，下一步是计算从前者到后者发生了怎样的变化，并把这个变化表示为一个固定长度的数学向量——也就是"方向箭头"。研究团队设计了四种不同的方法来完成这个压缩，每种方法从不同角度捕捉变化的特征。

其中最直觉的一种叫做**均值漂移（Mean-Shift）**：把上次星云所有星星的坐标平均，得到一个"重心"，再把这次星云所有星星的重心算出来，两个重心之差就是箭头方向。这相当于问：整体的语义中心从哪里移动到了哪里？

第二种叫做**新颖度（Novelty）**：对于这次报告里的每一句话，找它在上次报告里语义最接近的那句话，然后计算两者之间的差距，把所有这样的差距平均起来。这种方法专注于捕捉"这次有什么是上次没有的"，也就是报告中真正新增的信息方向。

第三种叫做**有向豪斯多夫锚点（Dir-Hausdorff）**：在这次报告的所有句子里，找那句"在上次报告里最找不到对应"的句子——即变化最剧烈的那句，然后用它和它在上次报告里最近的那句话之间的差来代表整体变化方向。这种方法像是找出最极端的变化信号作为代表。

第四种叫做**代价加权最优传输（Cost-OT）**：这是最复杂也最精细的一种。它用最优传输理论（一种计算两个分布之间最经济的"搬运"方案的数学工具）来规划如何把上次星云中的星星"搬运"到这次星云的星星位置，然后用每对搬运的距离乘以搬运的"代价权重"来综合计算变化方向。这种方法同时考虑了搬运量和搬运距离，避免了简单平均法可能带来的平坦化问题。

四、档案馆的工作机制：如何挑出最合理的候选报告

有了这四种"方向箭头"计算方式，整个系统的工作流程就可以完整描述了，分成离线准备和在线推理两个阶段。

在离线准备阶段，研究团队把训练集中所有22745对历史病例档案，全部用上述方法计算出各自的"变化箭头"，存入档案库。这个档案库只需要计算一次，之后可以反复使用，不需要任何模型训练。

在线推理时，对于一个新来的测试病人，AI首先生成5份候选报告（不同随机种子下采样得到）。对于每一份候选报告，研究团队把它和这个病人的上一次真实报告组合起来，计算出"这份候选报告所代表的变化箭头"。然后，把这个箭头和档案库里的22745个历史变化箭头逐一比较（用余弦距离衡量两个方向有多接近），找出最相似的那些历史案例，据此打分。分数最高的候选报告，就是最终输出的那一份。

打分方式有两种变体：一种叫做最小距离（min），即看这份候选报告的箭头和档案库里最接近的那个历史箭头有多近；另一种叫k近邻（kNN），即看和最近的k个历史箭头的平均距离。前者问"历史上有没有出现过类似的变化"，后者则问"历史上有没有一批类似的变化"，相对更稳健。

最终的总分是把报告的发现部分和印象部分分别打分之后相加，取总分最小的候选报告作为最终答案。

五、实验设计：三款AI、三种提示、九种组合的全面测试

为了验证这套方法的效果，研究团队从一个公开的胸片数据集（ReXGradient-160K）中筛选出有多次随访记录的病人，构建了一个多访次AP/PA视角胸片队列。训练集包含19492名患者，42237次就诊，22745对相邻访次构成的变化档案；验证集有1411名患者，1679对变化；测试集有1459名患者，1727对变化。

候选报告的生成，研究团队选用了三款不同的视觉语言模型：Gemini-2.5-Flash-Lite、Gemini-3.1-Flash-Lite-preview和Mistral-Small-2603。对每款模型，研究团队又设计了三种不同的提示方式。第一种是零样本图像提示，也就是不给任何额外信息，直接让AI看图写报告。第二种是少样本随机示例提示，随机抽取5份训练集报告作为格式范例，告诉AI"照这个格式写"。第三种是带有历史报告的零样本提示，把病人上一次的真实报告文本提供给AI，让它参考历史来写新报告。三款模型乘以三种提示，得到九种不同的生成配置，每种配置在1727个测试案例上各生成5份候选报告。

评估指标覆盖了从字面文本相似度到临床内容准确度的多个维度，包括BLEU-1（衡量单词重叠程度）、ROUGE-1和ROUGE-L（衡量关键词和句子结构的重叠程度）、METEOR（综合考虑同义词的文本相似度）、BERTScore-F1（基于深度语义理解的相似度）、RadGraph averaged-F1（专门评估放射科报告中医学实体和关系是否正确）以及CheXbert F-14（评估14类常见胸部疾病标签是否和金标准一致）。基线是在5份候选报告里随机选一份，取五次随机选择的平均值。

六、实验结果：印象部分的提升尤为显著

实验结果表明，在九种生成配置的平均值上，所有四种变化箭头方法、两种打分聚合方式，相比随机选择基线，在报告的发现部分和印象部分几乎所有指标上都有所提升，没有出现明显的倒退。

提升幅度最大的是报告的印象部分。从平均提升幅度来看，BLEU-1提升约3.7%，ROUGE-1提升约6.5%，ROUGE-L提升约8.1%，METEOR提升约3.6%，BERTScore-F1提升约3.0%，RadGraph averaged-F1提升约11.3%，CheXbert F-14提升约2.2%。单看最强的配置，ROUGE-L最高提升达8.5%（新颖度/kNN组合），RadGraph averaged-F1最高提升达13.6%（均值漂移/min组合），METEOR最高提升达4.4%（有向豪斯多夫/kNN组合）。

印象部分之所以提升更明显，背后有直觉上可解释的原因：印象部分通常是短短几句话，专门描述和上次相比的综合判断，比如"与上次比较稳定"或"右下肺出现新发渗出"。这种高度依赖变化描述的内容，天然就是"变化箭头"方法最擅长筛选的场景。

发现部分的提升幅度相对温和一些，各项指标普遍提升在0.1%到5%之间。代价加权最优传输方法在BERTScore-F1（+3.1%）和RadGraph averaged-F1（+5.1%）上表现最好；均值漂移/kNN组合在CheXbert F-14（+2.4%）上最强。

从逐模型逐提示的细分结果来看，提升效果在提示更弱（即AI获得的上下文更少）的P1和P2条件下最为明显，而在P3条件下（AI已经在提示中看到了病人的历史报告）提升幅度有所收窄但依然保持正向。这个规律很有意思：当AI本身已经有机会参考历史信息时，筛选阶段的额外历史信息带来的增益自然会小一些；但当AI处于"失忆"状态时，筛选环节的历史感知能力就显得格外重要。此外，Gemini和Mistral两个不同系列的模型都呈现了一致的提升趋势，说明这套方法并不依赖于某一款特定AI的特性，具有较好的通用性。

七、为什么这个方法有意义：从"报告合不合理"到"变化合不合理"

研究团队在论文中特别强调了一个核心观点，值得展开说明，因为它揭示了这套方法相比传统方式在逻辑上的本质差异。

传统的单图像best-of-N筛选方法，依靠的是"这份候选报告和真实报告有多像"来打分。但这种方式有一个隐藏的盲点：一份报告在语言上完全合理、格式正确、词汇专业，并不代表它对这个具体病人是合理的。比如，一份报告可能完全忽略了病人上次检查中一直存在的慢性病变（悄悄丢失了一个持续发现），或者凭空捏造了一个急性恶化（幻觉出了一个图像上并不存在的变化）。这两种错误，如果只用"这份报告和某份标准报告像不像"来评判，可能完全看不出来；但如果用"这份报告描述的变化，和历史上真实病例的变化模式有多像"来评判，就能有效识别这类临床上不合理的候选。

换句话说，传统方法问的是"这份报告像一份真实报告吗"，而这套新方法问的是"这份报告描述的变化，像真实病人会经历的变化吗"。后者的信息量更丰富，也更贴近临床实际需求。

归根结底，说到底这项研究的价值在于它的实用性：不需要重新训练任何AI模型，不需要任何额外的标注数据，只需要用已有的历史病例档案建立一个变化模式库，就能让现有AI系统的输出质量上一个台阶。对于医院和科研机构来说，这套方法的部署成本极低，而收益却是实实在在的——尤其在临床上最关键的印象部分，报告的质量提升最为明显。

当然，这套方法也有值得继续探索的空间。研究团队在论文结尾提到，未来可以尝试训练专门针对某个临床指标最优化的变化编码器，而不是用固定的手工设计公式；可以把候选池从5份扩大到更多；可以利用超过一次的历史访次（目前只用了最近一次）；也可以把"生成时参考历史"和"筛选时参考历史"这两种互补思路结合起来，形成更完整的纵向感知报告生成系统。

这项研究发布于arXiv，编号arXiv:2606.28393，感兴趣的读者可以通过这个编号找到完整论文和所有实验细节。对于关心医疗AI落地实用性的研究者和从业者来说，这套无需训练的筛选增强思路或许提供了一个可以直接参考的工程蓝图。

---

Q&A

Q1：Best-of-N采样是什么意思，为什么要从多份候选报告里挑选？

A：Best-of-N采样是一种提升AI输出质量的常用技巧：让AI生成多份候选答案，然后用某种评分标准挑出最好的那份。之所以要生成多份再挑选，是因为AI每次生成的内容有随机性，多生成几份再筛选，就有机会碰到质量更高的那份。这篇研究的创新点在于，筛选时不只看报告本身写得好不好，还要看它描述的"变化"是否符合真实临床中病人的变化规律。

Q2：变化方向箭头的四种计算方式有什么区别，哪种效果最好？

A：四种方式各有侧重。均值漂移关注整体语义重心的位移；新颖度专注于本次报告里新出现的内容相对上次的偏移；有向豪斯多夫关注变化最剧烈的那句话；代价加权最优传输则综合考虑所有句对的搬运代价与距离。从实验结果来看，四种方法在绝大多数场景下都优于随机基线，没有某一种绝对碾压其他，均值漂移和代价加权最优传输在部分临床指标上表现略突出，但整体差异不大。

Q3：这套方法需要重新训练AI模型吗，普通医院能用吗？

A：完全不需要重新训练任何模型。整个方法只需要两样东西：一个冻结不动的句子编码器（现成可下载）和一批历史病例的前后报告对（医院本身就有这些档案）。只需一次离线计算把历史档案转化为变化向量库，此后每次推理只是做向量比较，计算量很小。对于已经在使用AI辅助报告生成的医院来说，这套筛选层可以像插件一样叠加在现有系统之上，部署门槛较低。