本文综述医学对话摘要研究，提出知识注入的多模态多任务框架，融合文本与视觉特征生成摘要，证实视觉信息的重要性及科室识别与摘要生成的相关性；介绍结合图像的MMQS数据集及CLIP与大模型框架；采用GPT-3少样本提示提升临床准确性；并涵盖指针生成网络、医学咨询多任务数据集和多模态知识图学习等方法。