μ² Tokenizer：面向放射学报告生成的多尺度多模态大语言模型

μ² Tokenizer是一种新颖的多尺度多模态分词器，专为放射学报告生成任务设计，通过融合CT影像视觉特征与文本信息，结合DPO优化策略，在多个大规模CT数据集上实现了领先性能。

放射学报告生成（Radiology Report Generation, RRG）是医疗AI领域的重要应用方向。传统方法在处理CT等三维医学影像时面临诸多挑战：影像数据维度高、信息密度大，而放射学报告则需要准确描述病灶位置、形态、大小等细节，并给出专业的诊断意见。如何有效融合视觉信息与医学文本知识，生成符合临床标准的报告，一直是该领域的核心难题。

μ² Tokenizer 的核心创新在于其多尺度多模态架构设计。该模型引入了一个新颖的中间层——μ² Tokenizer，它能够智能地融合来自CT扫描的视觉特征与文本信息。具体而言：

• 多尺度处理：模型能够同时捕捉影像的局部细节（如微小病灶）和全局结构（如器官整体形态），通过自适应缩放策略处理不同尺寸的输入数据。
• 多模态融合：视觉编码器提取的影像特征通过专门的投影层映射到语言模型的语义空间，实现跨模态对齐。
• 分词器设计：μ² Tokenizer 将复杂的医学影像转化为语言模型可理解的离散token序列，同时保留关键的医学语义信息。

为了提升生成报告的质量和临床可用性，研究团队采用了**直接偏好优化（Direct Preference Optimization, DPO）**策略。不同于传统的监督微调，DPO通过比较不同生成结果的偏好来优化模型，使其输出更符合专家标准。

特别值得注意的是，优化过程引入了专门的医学报告评估指标GREEN作为指导信号。GREEN指标能够量化生成报告与参考报告之间的语义相似度，确保模型不仅生成语法正确的句子，更重要的是传达准确的医学信息。

研究团队在四个大规模CT数据集上进行了全面评估，实验结果表明：

• μ²LLM 在所有测试数据集上均超越了现有的最先进方法
• 即使在训练数据有限的情况下，模型仍能保持高质量的报告生成能力
• 生成的报告在医学准确性、完整性和可读性方面均达到了较高水平

这一结果凸显了 μ² Tokenizer 在实际临床应用中的潜力，特别是在数据稀缺的医疗场景中。

项目已在Hugging Face平台发布预训练模型，开发者可以通过简单的API调用快速部署：

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained(
    "AlpachinoNLP/u2Qwen3-4B-Thinking",
    trust_remote_code=True
)
tokenizer = AutoTokenizer.from_pretrained(
    "AlpachinoNLP/u2Qwen3-4B-Thinking",
    use_fast=False,
    trust_remote_code=True
)

模型支持NIfTI格式的医学影像文件输入，并能够生成结构化的放射学分析报告。

μ² Tokenizer 的技术贡献主要体现在以下几个方面：

1. 自适应影像预处理：针对CT影像的特殊性，设计了自适应缩放和裁剪策略，确保不同尺寸的影像都能被有效处理。

2. 思考-回答双模式输出：模型采用类似DeepSeek-R1的架构，先生成思考过程（thinking content），再输出最终报告，提高了生成内容的可解释性。

3. 医学领域特化：从数据预处理到评估指标，整个流程都针对放射学报告生成的特殊需求进行了优化。

随着多模态大语言模型技术的快速发展，μ² Tokenizer 代表了医疗AI领域的重要进步。该技术不仅可以应用于放射学报告生成，还可扩展至：

• 病理报告自动生成
• 医学影像辅助诊断
• 跨模态医学知识检索
• 临床决策支持系统

未来，随着更多高质量医学数据的积累和模型架构的持续优化，我们有理由期待这类多模态医疗AI系统在临床实践中发挥更大的价值。