이미지: X — 프론티어랩
摘要
- 微软研究院介绍了胸部X光判读系统CARE-X,公开了结合灵活推理、校准预测与基于测量的工具的架构
- 该系统由编排器(Orchestrator)判断是否需要调用工具,再由VLM(视觉-语言模型)助手测量心脏宽度和胸廓宽度,从而计算心胸比(CTR)
- 在示例图像中,系统测得心脏宽度为0.408、胸廓宽度为0.752,计算出CTR为0.54,这一数值正处于用于判定心脏肥大的临床阈值0.50~0.55区间内
- 발표
- Microsoft Research, 2026년 8월 11일 X 게시
- 시스템명
- CARE-X
- 핵심 결합 요소
- 유연한 추론 + 보정된 예측 + 측정 기반 도구
- 구조
- Orchestrator(도구 호출 판단) + Assistant-VLM(지각·도구 호출·종합)
- 도구 함수
- cardiac_width, thoracic_width, compute_ctr
- 예시 계산값
- 심장 폭 0.408 / 흉곽 폭 0.752 → CTR 0.54
- 적용된 임계값
- 0.50 / 0.55
X光片上绘制的两把尺子
微软研究院公开的一张示意图中,在一张胸部X光片上叠加了两条测量线。一条测量心脏的最大宽度,另一条测量整个胸廓的宽度。将两个数值相除得到的数字就是心胸比(CTR,cardiothoracic ratio)——即心脏占胸廓的比例,是判断心脏是否异常增大的传统临床指标。微软研究院于8月11日通过其官方X账号介绍了应用这一方法的系统"CARE-X"。
在公开的示例中,系统测得心脏宽度为0.408、胸廓宽度为0.752,计算出CTR为0.54。在临床上,通常超过0.5即被视为疑似心脏肥大(cardiomegaly)的迹象,而这一数值恰好处于该临界点附近。系统没有仅以句子形式给出诊断名称,而是将作为依据的数字直接绘制并展示在画面上。
编排器与VLM,两层判读结构
CARE-X的结构分为两层。用户输入图像和问题后,编排器(Orchestrator)接收该请求,并将提示传递给助手VLM(视觉-语言模型,即同时处理图像和文本的模型)。助手首先识别拍摄方向(PA/AP,即后前位或前后位),若判断需要调用工具,则执行cardiac_width、thoracic_width、compute_ctr等函数。这些结果返回给编排器后,若编排器判断不再需要额外调用工具,便将其整理为最终报告并交付给用户。
| 阶段 | 负责主体 | 处理内容 |
|---|---|---|
| 输入 | 用户 | 图像 + 提问 |
| 判断 | 编排器 | 调用VLM,决定是否需要工具 |
| 感知 | 助手VLM | 判别拍摄视角,应用0.50/0.55阈值 |
| 测量 | 工具调用 | cardiac_width、thoracic_width、compute_ctr |
| 综合 | 助手VLM | 同时给出诊断结论与数值 |
将测量值本身整理成表格后,与临界值之间的差距也一目了然。
| 项目 | 数值 |
|---|---|
| 心脏宽度 | 0.408 |
| 胸廓宽度 | 0.752 |
| 计算出的CTR | 0.54 |
| 应用阈值 | 0.50 / 0.55 |
从生成判读报告到可验证的依据
迄今为止,大多数用于胸部X光的AI都是在看过图像后,直接整篇写出一份判读报告。问题在于,很难回溯这些文字判断究竟依据了什么。CARE-X所强调的,正如"基于测量的工具"这一表述所示,是一种在给出诊断之前先留下可计算的中间数值的结构。这意味着医生不必仅凭一份判读报告去判断对错,而是可以同时确认心脏宽度、胸廓宽度这类具体数值及其计算过程。编排器自行判断是否需要调用工具这一方式也值得关注。这意味着系统并非对所有图像强制执行相同的计算,而是内置了一种只在需要时才调用测量工具的灵活推理机制。
医疗AI从单纯生成文本,转向留下结构化依据的这股趋势,并不只体现在CARE-X身上。谷歌研究院也于8月11日宣布,已为其医疗AI研究系统AMIE新增了实时语音、视频诊疗咨询功能,这同样是一种尝试——将仅靠文本对话容易遗漏的患者表情、呼吸等非语言信号纳入系统。两者方法虽有不同,但都有一个共同点,即AI不再只是给出结果,而是聚焦于如何留存并使判断过程可验证。
由此改变了什么
CARE-X在实际应用中究竟有多准确、经过何种数据集验证,仅凭此次发布的内容尚无法确认。但这一架构所暗示的方向是明确的。如果AI在观察胸部X光片后,能够呈现的不是"心脏看起来偏大"这样的句子,而是"心脏宽度0.408、胸廓宽度0.752、CTR为0.54"这样的计算过程,医疗人员就能获得重新核算这一判断,或依据其他标准再次审视的空间。对于希望引入判读辅助AI的医院或研究机构而言,下一个评估标准很可能不再是"结果"本身,而是其"依据结构"是如何设计的。
