本研究提出了一种多模态多智能体框架，旨在解决放射学报告生成中的不一致性和对齐问题。实验结果表明，该方法生成的报告更准确、结构化且可解释，显示了其在临床AI应用中的潜力。

本研究探讨了NeoMedSys平台在放射学中优化VIOLA-AI颅内出血模型的有效性。通过迭代改进，该模型的分类敏感性和特异性显著提升，为临床提供了重要的实时反馈机制。

本研究综述了放射学中三维重建的技术，分析了显式和隐式重建算法，强调了人工智能在提高重建精度、缩短处理时间和减少患者辐射暴露方面的重要性，并指出未来研究的挑战与方向。

本研究解决了现有评估指标在自动生成的医学报告中忽视重要细节（如异常位置和确定性）的问题。本文提出的GEMA-评分通过多智能体工作流程结合大语言模型，进行客观量化与主观评估，显著提高了与人类专家评估的一致性，显示出在临床评分中的有效性。

本研究解决了放射学AI模型在真实临床应用中普遍存在的泛化能力不足的问题。我们提出了一种新颖的条件生成AI模型，用于虚拟临床试验，能够根据指定特征真实合成全身CT影像。该模型的关键发现为AI模型的稳定性评估提供了有效工具，有助于检测模型退化和算法偏见，推动放射学AI的安全应用。

该研究提出了一种自动化方法，通过CT图像预测肝细胞癌，有效解决了放射科医生之间的诊断差异。采用受LI-RADS启发的两步法，显著提升了分类性能，结果优于非专业医生，接近专业医生水平。

本研究解决了深度学习在胸部X光(CXR)分类中的可解释性挑战，通过使用概念瓶颈模型(CBMs)和多智能体检索增强生成(RAG)系统进行报告生成。研究表明，该模型能够以可解释的方式生成放射学报告，提高了临床相关性、可解释性和透明度，并在COVID-QU数据集上达到了81%的分类准确率。

本文研究现代大型语言模型（LLMs）在放射学中的应用，提出了RadABench评估平台，评估七个主流LLMs的性能。结果表明，当前LLMs尚未完全适应放射学代理系统的核心功能，并揭示了影响其表现的关键因素。

本研究解决了放射学报告生成中的信息整合问题，提出了一种针对胸部X光的视觉语言模型。通过将胸部X光图像与预训练的视觉编码器对齐并与基于Vicuna-7B架构的语言模型结合，该方法实现了对胸部X光图像的准确理解与描述，显著提高了放射学报告的生成效率和准确性。

本研究针对放射学报告生成（RRG）中存在的多时态信息整合和图像理解的挑战，提出了一种新的时间感知的大型多模态语言模型（Libra）。Libra的创新在于利用时间对齐连接器高效捕捉图像的时序信息，使其在MIMIC-CXR数据集上的表现优于现有模型，RadCliQ指标提高了12.9%。

上海交大发布RP3D-Diag数据集，涵盖4万多个临床案例和5000多种疾病，构建了多模态放射学诊断模型。该模型在20多个外部数据集上表现优异，解决了现有模型的单一领域和模态问题，为精准医疗提供了重要支持。

本研究针对医疗领域需要大量训练数据的问题，提出了一种使用进化优化模型合并的日本放射学报告生成模型JRadiEvo。该模型只需50个翻译样本就能从X光影像生成准确的日本报告，展现了高效的数据使用能力，并在小规模参数下超越了训练于更大数据集的领先模型，为医疗行业提供了实用的本地解决方案。

本研究解决了当前医学眼动追踪数据分散且模糊的问题，影响其在影像诊断中的应用。文章提出了一种新方法，创建了一个针对放射学发现的精细化眼动追踪数据集GazeSearch，目的是使每个注视序列与特定诊断目标对齐，并引入了新的评估基准，以推动医学影像领域的视觉搜索技术发展。研究结果可显著提高深度学习模型的准确性和可解释性，提升临床决策的透明度。

本研究解决了当前缺乏用于训练基于图像的放射学报告生成模型的手动注释胸部X射线数据集的问题。提出的PadChest-GR数据集包含4,555个双语胸部X射线研究和详细的临床相关发现本地化注释，为放射学模型的训练和评估提供了重要资源。其显著发现是PadChest-GR是首个专门为放射学报告生成模型设计的手动整理数据集。

本研究提出了新模型OMniBAN，旨在提高医学视觉问答的融合效率。实验结果表明，OMniBAN在基准测试中优于传统模型，降低了计算成本，显示出在放射学和病理图像问答中的应用潜力。

我们开发了一种专用于放射学的多模态模型，可以从胸部X光片生成报告。该模型结合了图像编码器和精调的大型语言模型，并通过数据增强提高报告质量。MAIRA-1 在与放射科医生对齐的指标上表现出色，但手动审核发现了一些未被评估方法捕捉的故障。

本研究介绍了一种名为ReXplain的AI系统，旨在通过生成易于理解的视频报告，解决放射学报告难懂的问题。该系统提高了患者参与度和满意度，推动了医疗沟通的新方向。