本文介绍多模态医疗问题摘要数据集MMQS，将医疗查询与图像结合，提出基于CLIP和大语言模型的四模块框架，用于识别医疗障碍、生成上下文、过滤概念并生成视觉感知摘要；同时提出融合知识与视觉特征的MM-CliConSummation框架生成临床对话摘要，实验证明视觉信息的重要性及摘要的精确性，并综述了多模态自动摘要的相关数据集与模型。