专为新生儿呼吸疾病设计的首个多模态大模型NeoRed发布
针对成人影像训练数据导致的领域差距，研究团队提出NeoRed，可在新生儿胸部X光与临床文本联合诊断中生成报告，其临床效能F1为 65.19%。
AI解读：新生儿重症监护中，胸部X光解读高度依赖经验，而现有医疗多模态大模型几乎都用成人数据训练，面对新生儿肺部影像时容易出现误判。NeoRed的价值在于它把新生儿科医生的诊断思路显式注入模型，并约束报告文本必须与影像证据和临床逻辑一致，从而在真实新生儿数据集上把临床效能F1做到了 65.19%，显著高于其他通用模型。对临床机构而言，这意味着未来有可能用AI生成初筛报告来辅助一线医生，但前提是能通过作者申请获得数据集并完成本地验证。目前论文只报告了ROUGE-L和F1这类文本生成指标，尚未给出误诊率、漏诊率等直接关乎安全的临床前瞻性数据，因此它更接近研究验证，而非可以立即投入使用的诊断工具，医生不应据此改变现有决策流程。
一项于 2026 年 9 月 3 日提交至arXiv的研究（编号 2609.03527，9 页，10 张图）提出NeoRed，并称其为第一个针对新生儿呼吸疾病的多模态大语言模型（MLLM），用于从胸部X光与异质临床文本中联合生成新生儿诊断报告。
研究团队来自电子科技大学等机构，作者包括Liu Yinan、Xia Hongtai、Xu Haoran、Hong Jiankang、Song Jingkuan和Luo Ye。
摘要显示，模型主要基于作者自建的两个真实临床数据集NeoCXR与NeoCXR-EV训练和评估；作者称数据集可在申请后提供。
论文报告称，在NeoCXR上，NeoRed生成的诊断报告达到ROUGE-L 53.29%、临床效能（Clinical Efficacy）F1 65.19%，超过现有的多模态大语言模型。
模型设计：以三种约束对齐知识与逻辑
作者指出，现有MLLM在新生儿诊断中存在两个关键局限：一是训练数据以成人为主引起的领域差距（domain gap），二是缺少对多维临床上下文的整合以支撑精准诊断。
为解决这些问题，NeoRed采用名为知识-逻辑-对齐（Knowledge-Logic-Alignment，KLA）的框架，从三个角度约束模型行为：
第一，知识先验注入（KPI）——把新生儿科专家启发的诊断先验融入多模态表征，引导模型跨模态关注疾病相关的特征；第二，诊断逻辑约束（DLC）——让生成的报告语义与多模态诊断逻辑对齐；第三，视觉语义对齐（VSA）——建立视觉特征与影像结论之间的语义对应。
- KPI：引入专家诊断先验，引导跨模态注意力
- DLC：约束报告文本与多模态诊断逻辑一致
实验与基准表现
除新生儿数据集外，论文还报告模型在成人基准上保留了具竞争力的报告生成表现——涉及的基准包括MIMIC-CXR和IU-Xray。
需要明确的是，以上内容全部来自论文与摘要本身；输出中所包含的诊断报告指标（ROUGE-L 53.29%、F1 65.19%）为论文自行报告，尚未经过第三方独立验证。
- 新数据集：NeoCXR、NeoCXR-EV（申请可用）
- 成人基准：MIMIC-CXR、IU-Xray——NeoRed仍具竞争力