我院2025级博士研究生董文辉及科研助理赵明，在副院长单彩峰教授和准聘助理教授司晨阳的指导下，提出脊柱诊疗大模型SpineGPT。本研究联合了解放军总医院，浙二医院，华山医院的多位知名医生，并汇聚Pi3Lab，上海三友医疗器械股份有限公司等产学研多方力量，共同完成了首个面向脊柱诊疗领域的大模型研发。
脊柱疾病影响全球6.19亿人，是致残的主要原因之一 。然而，现有AI模型在临床决策中仍存在“认知鸿沟”。缺乏椎体级别（level-aware）、多模态融合的指令数据和标准化基准，是制约AI辅助诊断的关键瓶颈。
本文提出了一套统性的解决方案，包括首个大规模、具有可追溯性的脊柱指令数据集SpineMed-450K，以及临床级评测基准SpineBench。基于此训练出的专科大模型SpineGPT，在所有任务上均实现了显著提升，仅仅7B参数量，全面超越了包括GLM-4.5V和Qwen2.5-VL-72B在内的顶尖开源大模型 。
论文标题：SPINEBENCH: A CLINICALLY SALIENT, LEVEL-AWAREBENCHMARK POWERED BY THE SPINEMED-450K COR-PUS
论文地址：https://arxiv.org/pdf/2510.03160
一、临床痛点：通用LVLM的“认知鸿沟”
脊柱疾病的临床诊疗，需要复杂的推理过程：整合X光、CT、MRI等多模态影像的发现，并将病灶精确定位到特定的椎体层面（Level-Aware Reasoning），以确定严重程度并规划干预措施 。这种集成推理能力，是现有通用视觉-语言大模型（LVLMs）的系统性弱点 。
在SpineBench的评测中，这一弱点暴露无遗 ：
性能差距明显：即使是参数量达72B的Qwen2.5-VL-72B，平均性能也仅为79.88%。领先的开源模型GLM-4.5V (83.26%)与顶尖专有模型Gemini-2.5-Pro (89.23%)之间仍存在近6个百分点的差距。在医疗报告生成任务中，更是差距明显，Qwen2.5VL-72B和Gemini-2.5-pro差30%。
跨模态对齐缺陷：几乎所有模型在多模态任务上的性能都有不同程度的下降 。例如，GPT5在纯文本QA (87.41%)与图像QA (79.97%)之间的差距高达7.44个百分点。这反映了现有模型在医学图像理解和视觉-语言对齐上的根本不足，限制了它们在需要综合分析图像和文本的临床场景中的应用。
二、核心成果：构建临床级AI的“基础设施”
为填补现有数据与临床需求之间的认知鸿沟，研究团队与实践中的脊柱外科医生共同设计和构建了SpineMed生态系统。
1. SpineMed-450K：椎体级、多模态指令数据集
这是首个明确为椎体级推理而设计的大规模数据集。
规模与来源：包含超过450,000条指令实例。数据来源极其丰富，包括教科书、外科指南、专家共识、开放数据集（如Spark、VerSe 20202020），以及约1,000例去识别化的多模态医院真实病例。真实病例来源于国内11家知名医院，确保了患者来源的多样性 。
生成管线：数据生成采用了严谨的“临床医生介入”（Clinician-in-the-loop）流程。该流程涉及：
使用PaddleOCR提取图文信息。
通过新型的图像-上下文匹配算法，将图像与其周围的文本上下文精确绑定，保证可追溯性。
利用LLM两阶段生成方法（起草和修订）来生成高质量的指令数据，且临床医生参与了提示词策略和修订标准的审查。
任务多样性：涵盖四种类型：多项选择QA（249k）、开放式QA（197k）、多轮诊疗对话（1.1k）和临床报告生成（821例）。数据覆盖七个骨科亚专科，其中脊柱外科数据占比47%，并细分为14种脊柱亚疾病。
2. SpineBench：首个临床显著性评估基准
SpineBench是一个与临床深度结合的评估框架，旨在评估AI在细粒度、以解剖为中心的推理中犯下的、在实践中至关重要的错误类型。
基准构成：最终包含487道高质量多项选择题和87个报告生成提示 。
严谨验证：为确保评估集的完整性，由17名骨科外科医生组成的团队，分成三个独立小组进行了严格的验证和校正。
报告评估：针对临床报告生成任务，设计了由专家校准的框架。评估从五大板块、十个维度进行：
I.结构化影像报告（SIP）：评估发现的准确性、临床意义和定量描述 。
II.AI辅助诊断（AAD）：评估主要诊断的正确性、鉴别诊断和临床推理 。
III.治疗建议（TR）：分为患者指导（语言清晰度、共情、安抚）、循证计划（理由、指南一致性）和技术可行性（手术细节、并发症预防）。
IV.风险与预后评估（RPM）：评估围手术期管理、随访安排和潜在问题策略 。
V.推理与免责声明（RD）：评估证据覆盖范围、相关性、细节粒度和逻辑连贯性。
三、实验结果：专科AI模型SpineGPT的突破性表现
SpineGPT基于Qwen2.5-VL-7B-Instruct模型，通过课程学习（Curriculum Learning）框架，分三阶段在SpineMed-450K上进行微调，以逐步增强其在脊柱健康领域的适用性和专业性 。
超越开源，逼近顶尖专有模型：SpineGPT达到了87.44%的平均分，大幅领先所有开源大模型4.18个百分点以上。在纯文本QA任务上（89.46%），SpineGPT甚至超越了所有参评模型，包括GPT5 (87.41%)。
专科数据的重要性（消融实验）：
模型仅在通用医疗数据上训练时，性能显著下降（74.95% vs 65.31%）。
纳入精心策划的非脊柱通用骨科数据后，性能得到大幅提升（82.14% vs 74.95%），验证了领域对齐训练数据的重要性。
最终，纳入脊柱特异性训练数据（包括对话、报告生成和长链推理指令）后，模型性能进一步增强至87.89%。
临床报告能力显著增强：SpineGPT在医疗报告生成任务上的总分为87.24分，而Qwen2.5-VL-72B仅为63.80分，ChatGPT-4o为64.04分。
案例对比：在对“青少年特发性脊柱侧凸”病例的分析中，SpineGPT提供了包含72个详细的临床处理流程，涵盖了完整的影像发现、AI诊断、患者和医生导向的治疗建议、风险管理和术后问题管理。相比之下，ChatGPT-4o的报告则更偏向于适合一般医疗文档的基本诊断和治疗建议。
人类专家高度认可：人类专家对报告评分与LLM自动评分之间的Pearson相关系数达到0.382至0.949，大多数维度相关性在0.7以上。这有力地验证了LLM自动评分作为专家判断代理的可靠性。
结论与展望
这项研究证明了：对于脊柱诊断这样需要复杂解剖推理的专业领域，专科指令数据和“临床医生介入”的开发流程是实现临床级AI能力的关键。
SpineMed-450K和SpineBench的发布，为未来的AI研究提供了一个高实用性的基线。研究团队计划将拓展数据集、训练大于7B参数的模型，并结合强化学习技术，继续深化与领先专有模型的直接比较，以确立更清晰的性能基准。
