胸片报告不再只写长段落：先按疾病对齐图像与文字，再让大模型改写成问答

胸片自动报告的输出形式从整段自由文本改成逐条问答，每条问题对应一个临床发现，答案由图像证据支撑，并附一段简短诊断小结。 此前方法生成的是长篇自由文本叙述，关键发现埋在段落里，不易检索；问答式改写是为了让发现更明确、更易检索，而不是取代叙述式报告。 在MIMIC-CXR与IU X-Ray两个公开胸片基准上，该框架在多数词法与临床指标上优于对比方法，并超过多视图方法MPO与问答式基线CoD。

图像与文本的表征不是各自独立学习，而是按预测出的疾病标签拉近或推远，使共享空间按诊断相似度组织。 此前的跨模态对齐多依赖图像—报告配对，未把诊断标签当作联合嵌入学习的监督信号；该框架把预测诊断标签直接放进对比目标。 消融显示，用疾病感知对比替换CLIP式对齐后B4提升更明显，再叠加先验引导注意力模块后词法与临床指标继续改善。

生成分两步：先由解码器产出中间报告，再经医学知识图谱检索临床证据，最后由微调后的大模型整理成问答对与小结。 此前注入知识的报告框架多在解码阶段加入外部临床文本，该框架把图谱检索放在问答合成之前，检索的是有连接的证据而非孤立片段。 知识图谱由约5000篇胸廓影像相关PubMed摘要构建，检索限制在两跳；消融显示去掉检索种子初始化时CheXbert-F1下降最多。

该框架面向2D胸片，训练与评测使用MIMIC-CXR和IU X-Ray两个公开数据集，疾病标签限定为CheXbert的前13类。跨机构评估在ReXGradient-160K上零样本进行，覆盖3个医疗系统和79个站点，未在该数据上训练或微调。作者提出后续将扩展到CT、MRI等三维模态，并研究显式时间建模与更广的多中心数据。

作者指出，先验引导注意力模块不显式编码既往检查的时间顺序或间隔，因此捕捉历史上下文但不直接建模纵向进展。大模型作为固定的改写组件，未与多模态推理联合优化。训练仅限MIMIC-CXR与IU X-Ray，表征可能受其采集协议与人群特征约束。框架依赖成对的图像、报告与诊断标签，在数据稀缺场景下扩展性受限。噪声注入实验显示，标签噪声升高时各阶段性能持续下降，改进疾病预测仍是提升对齐可靠性的方向。