Echo-α：面向超声影像的智能体多模态推理模型

Echo-α是专为超声影像解读设计的智能体多模态推理模型，通过调用-推理框架整合病灶定位与临床推理能力，在多中心肾部和乳腺超声基准测试中取得领先性能。该模型核心解决医学影像AI领域长期存在的精确病灶定位与整体临床推理难以兼得的问题，采用两阶段训练策略优化性能，并已开源代码供后续研究使用。

超声影像解读是医学诊断关键但复杂的任务，具有实时性、无辐射、成本低等优势，但图像质量受操作者技术影响大，病灶识别需结合临床知识综合分析。传统专用检测器定位精确但缺乏临床推理能力，无法解释病灶性质或结合临床背景判断；多模态大语言模型（MLLMs）推理灵活但专业医学grounding能力弱，易产生与影像病灶脱节的"幻觉"诊断。

Echo-α的核心创新在于"调用-推理"（invoke-and-reason）框架，统一专用检测器的精确定位与大模型的灵活推理能力。其工作流程包括三个步骤：

1. 协调器官专用检测器输出，获取病灶精确位置；
2. 整合全局视觉上下文，理解病灶相对位置、与周围组织关系及影像质量特征；
3. 转化为有据可依的诊断决策，结合临床知识形成既有影像依据又符合医学逻辑的结论。

Echo-α采用两阶段训练策略： 第一阶段：九任务监督课程学习 设计包含九个任务的监督学习课程，从基础视觉理解到复杂诊断推理，培养模型扎实基础能力。 第二阶段：序列化强化学习优化 在监督学习基础上，通过序列化强化学习优化出两个版本：

• Echo-α-Grounding：专注病灶锚定，优化定位精度；
• Echo-α-Diagnosis：专注最终诊断，优化准确率。 分工明确的策略提升各领域性能上限。

在多中心肾部和乳腺超声数据集评估中，Echo-α在定位精度和诊断准确率均超越竞争基线模型。跨中心测试（训练与测试数据来自不同机构）下表现稳定：

• Echo-α-Grounding：肾部超声F1@0.5达56.73%，乳腺超声达43.78%；
• Echo-α-Diagnosis：肾部超声整体准确率74.90%，乳腺超声49.20%。 跨中心测试证明其良好可迁移性。

Echo-α的临床意义包括：

1. 将专用检测器输出转化为可验证的临床证据，使AI系统能"解释"病灶；
2. 提升准确性、可解释性与可迁移性，为资源有限地区提供实用路径。 研究团队已将代码开源至GitHub（https://github.com/MiliLab/Echo-Alpha），为后续研究与应用提供资源。

Echo-α代表医学多模态AI的重要方向：通过智能体架构设计视觉感知与临床推理的协作机制，而非简单应用大模型。这种"各司其职、协同工作"的设计哲学，或为解决医学AI中准确性-可解释性-泛化性三角困境的关键。