ClinFusion：以视觉为中心的多模态医疗大模型系统

论文提出统一 2D/3D 医学影像的医疗多模态模型 ClinFusion 及配套评测框架。

资讯摘要

论文提出 ClinFusion，一个以视觉为中心、面向整体医学理解的多模态大模型系统。作者设计级联式组合视觉编码器与 Cascade Spatial-Aware Locality Fusion 算子，在融合编码器中统一处理 2D 与原生 3D 医学图像；并提出视觉锚定的评测框架，包括指令遵循基准 MedIF-Bench 和基于感兴趣区域的报告生成评测方法。作者报告其在 24 项基准中的 20 项优于 Hulu-Med、Lingshu 等开源医疗 MLLM，在 16 项中的 13 项优于 GPT-5.2、Gemini-3-Flash，并经放射科医师盲评验证。

要点速读

1. 提出级联组合视觉编码器与 Cascade Spatial-Aware Locality Fusion 算子，统一 2D 与原生 3D 医学图像理解
2. 提出 MedIF-Bench 指令遵循基准及基于感兴趣区域的报告生成评测方法
3. 作者报告在 24 项基准中 20 项超过开源医疗 MLLM，16 项中 13 项超过 GPT-5.2 与 Gemini-3-Flash，放射科医师盲评中报告排名最高

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/4 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。