行业背景与临床痛点 - 脊柱疾病是全球性重大健康问题，影响全球约6.19亿人，是主要的致残原因之一 [2] - 现有通用视觉-语言大模型在脊柱诊疗领域存在“认知鸿沟”，缺乏椎体级别感知和多模态融合能力，无法满足临床复杂的集成推理需求 [2][6] - 在临床级评测基准SpineBench中，通用大模型的弱点暴露无遗，即使参数量达720亿的Qwen2.5-VL-72B模型，平均性能也仅为79.88% [7][13] 核心解决方案：SpineMed生态系统 - 研究构建了首个面向脊柱诊疗领域的大模型研发基础设施，包括大规模指令数据集SpineMed-450K和临床级评测基准SpineBench [3][9] - **SpineMed-450K数据集**：包含超过450,000条指令实例，数据来源丰富，包括教科书、指南、专家共识、开放数据集及来自国内11家知名医院的约1000例真实去识别化病例 [14] - 数据集生成采用“临床医生介入”的严谨流程，确保数据质量与可追溯性，并覆盖多项选择QA（249k）、开放式QA（197k）、多轮诊疗对话（1.1k）和临床报告生成（821例）等多种任务类型 [14][16] - **SpineBench评估基准**：包含487道高质量多项选择题和87个报告生成提示，由17名骨科外科医生团队严格验证，旨在评估AI在细粒度、解剖中心推理中的错误类型 [18][20] 专科大模型SpineGPT的性能突破 - SpineGPT基于Qwen2.5-VL-7B-Instruct模型，通过课程学习框架在SpineMed-450K上微调，仅70亿参数即在所有任务上实现显著提升 [3][24] - 在SpineBench评测中，SpineGPT平均得分达87.44%，大幅领先所有开源大模型（领先幅度超过4.18个百分点），并逼近顶尖专有模型性能 [25] - 在纯文本QA任务上，SpineGPT得分89.46%，超越了所有参评模型，包括GPT5（87.41%）[25] - 在医疗报告生成任务上，SpineGPT总分为87.24分，显著优于Qwen2.5-VL-72B（63.80分）和ChatGPT-4o（64.04分）[25][26] - 消融实验证明专科数据至关重要：仅使用通用医疗数据训练时模型性能为74.95%，加入非脊柱通用骨科数据后提升至82.14%，最终纳入脊柱特异性数据后性能达到87.89% [27] 技术优势与验证 - SpineGPT展现了卓越的跨模态对齐能力，其在图像QA任务上得分84.46%，与文本QA任务（89.46%）的差距远小于GPT5等模型（GPT5两项任务差距达7.44个百分点）[13][25] - 人类专家评分与LLM自动评分高度相关，Pearson相关系数在0.382至0.949之间，大多数维度相关性在0.7以上，验证了自动评估的可靠性 [28] - 案例显示，SpineGPT能生成包含72个详细步骤的临床处理流程，覆盖从影像发现到术后管理的完整链条，其专业性和细节远超通用模型如ChatGPT-4o [26] 研究意义与未来方向 - 该研究证明，对于脊柱诊断等需要复杂解剖推理的专业领域，专科指令数据和“临床医生介入”的开发流程是实现临床级AI能力的关键 [30] - SpineMed-450K和SpineBench的发布为未来AI研究提供了高实用性的基线 [30] - 研究团队计划拓展数据集、训练更大参数模型，并结合强化学习技术，继续深化与领先专有模型的性能比较 [30]