医学影像理解的新范式：预训练视觉-语言模型在医疗领域的全面探索

想象一个场景：放射科医生每天要审阅数百张 CT 和 X 光片，在海量影像中找到微小的异常区域是一件耗时且易疲劳的工作。传统的深度学习模型需要大量标注数据才能识别某种疾病，而现实中高质量医疗标注数据极度稀缺。由华东师范大学与微软亚洲研究院联合发布的 MIU-VL（Medical Image Understanding with Pretrained Vision Language Models）项目，正是为解决这一痛点而生——它探索如何借助预训练的视觉-语言大模型（VLM），在零样本或少量数据条件下完成医学影像理解任务。

图1：MIU-VL 方法框架总览

一、项目背景与研究动机

MIU-VL 是 ICLR 2023（International Conference on Learning Representations）接收的论文项目，由华东师范大学 OpenMEDLab 团队发布。OpenMEDLab 是一个专注于医疗健康领域大规模预训练基础模型研究的组织，倡导将通用预训练模型适配到医疗场景中。

传统医疗影像 AI 面临的核心矛盾是：模型泛化能力差 vs 标注数据严重不足。ImageNet 预训练的视觉模型直接迁移到医学影像时，由于影像模态差异大（CT/MRI/X光 vs 自然图片）、病灶区域微小且形态多样，往往表现大幅下降。而 GPT 系列大模型的成功启发了一个新思路：既然语言作为通用知识载体能桥接不同任务，那么预训练的视觉-语言双模态模型（VLM）是否也能成为医学影像的"通用接口"？

MIU-VL 正是对这一假设的系统性验证，研究团队在论文标题中用"Comprehensive Study"强调这是一次全面而彻底的探索，而非局部改进。

二、核心技术方案

MIU-VL 的技术核心围绕 Prompt Engineering（提示工程） 在医学影像中的应用展开，整体流程分为两步：

第一步：自动构建富含表达力的医学 Prompt。

研究团队发现，直接将自然语言提示（如"cat"、"dog"）迁移到医学领域效果有限，原因是医学概念需要更丰富的属性描述。例如，识别肠息肉（polyp）时，仅仅输入"polyp"不如"The typical color of polyp is [MASK], typical shape is [MASK], typically located at [MASK]"这样包含颜色、形状、位置等属性的 Prompt。后者能激活 VLM 中更多相关知识，显著提升零样本识别精度。

如何自动生成这些属性 Prompt？团队提出了三种方法：

方法	知识来源	显存需求	精度
MLM（掩码语言模型）	BiomedNLP-PubMedBERT	≥8GB	中等
VQA（视觉问答）	OFA-base 模型	≥24GB	最高
Hybrid（混合）	MLM + VQA 融合	≥24GB	最高

• MLM 方法：使用 PubMedBERT（专门在医学文献上预训练的 BERT）填充模板中的 [MASK] 标记，以医学知识库为依据生成属性描述。
• VQA 方法：借助 OFA（One-For-All）多模态 VQA 模型，根据输入图片内容反向生成属性 Prompt，捕捉图片特有的视觉特征。
• Hybrid 方法：融合 MLM 的语言知识与 VQA 的视觉信息，综合生成质量最高。

第二步：将 Prompt 注入 GLIP 进行目标检测。

构建好的 Prompt 被送入 GLIP（Grounded Language-Image Pre-training）模型执行目标检测。GLIP 是微软提出的"视觉-语言接地"模型，能将文本 Prompt 与图像区域进行对齐匹配，在给定文本描述的情况下输出图像中对应目标的位置和类别。MIU-VL 的核心贡献在于证明：精心设计的医学 Prompt 比简单标签词能显著提升 GLIP 在医疗影像上的零样本和少样本性能。

图2：零样本实验结果对比

三、实验评估与数据集

项目在多个公开医学影像数据集上进行了系统评估：

非放射学数据集：

• Polyp（肠息肉检测）：Kvasir-SEG 等数据集
• CPM17（皮肤病变分割）
• BCCD（血细胞计数检测）
• ISIC2016（黑色素瘤检测）
• DFUC2020（糖尿病足溃疡检测）

放射学数据集：

• LUNA16（肺部结节检测）
• ADNI（阿尔茨海默症脑区分析）
• TN3k（甲状腺结节检测）
• TBX11k（胸部 X 光检测）

实验表明，在零样本设置下，MLM 方法相比基线（简单标签词）平均提升 5-10 个百分点的 mAP；在少样本微调后，VQA 和 Hybrid 方法可达到接近全监督的效果。微调后的 GLIP 模型权重已通过百度网盘分享（需密码）。

图3：微调实验结果对比

四、项目代码结构与使用

代码仓库结构极为简洁（仅含 README 和图片目录），说明这是一个以论文复现为核心的研究型仓库，而非通用工具库。主要依赖：

git clone https://github.com/openmedlab/MIU-VL.git
pip install -r requirements.txt          # 基础依赖（基于 GLIP）
git lfs install
git clone https://huggingface.co/microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext
# MLM 模式用 PubMedBERT
# VQA/Hybrid 模式还需：
git clone --single-branch --branch feature/add_transformers https://github.com/OFA-Sys/OFA.git
pip install OFA/transformers/
git clone https://huggingface.co/OFA-Sys/OFA-base

使用流程：

1. 下载 GLIP-T 模型权重到 MODEL/ 目录
2. 选择 Prompt 生成方式（MLM/VQA/Hybrid），运行对应脚本生成 autoprompt_json/*.json
3. 用生成的 Prompt JSON 运行 test_vqa.py 执行推理

项目也提供了 HuggingFace Gradio 交互式 Demo，可在线体验基础功能而无需本地部署。

五、部署难点与适用人群

主要部署门槛：

• GPU 显存要求高：VQA 和 Hybrid 模式需要 ≥24GB 显存（OFA-base 模型体积大）；MLM 模式相对友好但也需 ≥8GB
• 依赖复杂：需同时配置 GLIP、OFA、HuggingFace Transformers、PubMedBERT 多个框架，版本兼容性是常见坑
• 模型权重分发：使用百度网盘分享，需要手动下载并输入提取密码，对国内用户尚算友好
• 无容器化支持：无 Dockerfile 或 docker-compose，不支持一键部署

适用人群：

• 医学影像 AI 研究者，特别是关注零样本/少样本学习方向
• 高校实验室复现 VLM 迁移医疗影像的论文工作
• 有深度学习环境配置经验、能处理多框架依赖的开发者

不适用人群：

• 缺乏深度学习环境的临床医生或医疗AI产品经理
• 需要快速上线医疗影像分析功能的产品团队

六、局限性与行业视角

局限性方面，MIU-VL 作为 2022 年的研究工作，存在若干明显局限：

1. 模型较旧：基于 GLIP-T（2022年早期版本），当前已有更多强大的开源 VLM（如 LLaVA、Qwen-VL、InternVL）
2. 仅支持检测任务：未覆盖分类、分割等更多医疗影像任务
3. Prompt 模板固定：目前仅支持颜色、形状、位置三种属性，高级语义提示能力有限
4. 无持续维护：仓库最后更新于 2023 年 6 月，作者联系方式为占位符，论文复现性质明显

行业意义方面，MIU-VL 的价值在于系统性验证了"VLM + 领域 Prompt"范式在医疗影像上的可行性，启发了后续大量工作将 GPT-4V、Med-PaLM 等更大模型引入医疗场景。它证明了Prompt 设计本身就是一个值得深入研究的方向，而不仅仅是堆模型参数。

七、快速上手建议

对于想快速体验的开发者，建议从 HuggingFace Gradio Demo 入手（见 README 中的链接），在浏览器中上传一张医疗影像即可看到基于 MLM 方法的零样本检测效果。如果想本地复现论文结果，从 MLM 模式 开始，显存需求最低，调试相对简单。

对于研究用途，建议通读论文的 Prompt 设计章节，理解三种方法的设计动机后再做代码修改。需要注意的是，VQA/Hybrid 模式耗时较长（数小时生成一组 Prompt），且需要 24GB+ 显存的 GPU，请确保硬件条件充足后再尝试。

---

项目基本信息

项目	内容
论文	ICLR 2023 — arXiv:2209.15517
机构	华东师范大学 OpenMEDLab
核心模型	GLIP-T + PubMedBERT + OFA-base
许可	CC-BY-NC 4.0
托管组织	OpenMEDLab（医疗预训练模型开源组织）
在线 Demo	HuggingFace Gradio（drdoggo-medical-image-understanding-with-vlms）