迈向增强医疗多模态大语言模型中的 3D 空间推理能力

针对多模态大语言模型在 3D 医学影像理解中面临的标注成本高及缺乏显式临床推理的问题，本文提出一种基于切片级数据合成的新型范式。该方法模拟放射科医生诊断流程，将全局临床先验转化为细粒度观察，构建可解释的思维链数据集。通过对 2D 预训练模型进行指令微调，显著提升了其体积理解与空间推理能力，性能媲美昂贵的原生 3D 架构，无需特定 3D 预训练即可实现深度 volumetric 理解。