心脏磁共振成像（Cardiac Magnetic Resonance，CMR）能够综合呈现心脏形态、功能及组织学特征，是心血管疾病评估的重要影像学手段。由于CMR涉及多种成像序列和复杂的定量、语义信息，其诊断通常依赖专业医生对多方面证据进行综合分析。现有人工智能方法大多采用端到端分类模式，虽然能够输出预测结果，但难以呈现从影像特征到诊断结论的推理过程，在临床可信性和可追溯性方面仍存在不足。

近日，田沄课题组联合国内多家医疗中心围绕心脏磁共振语义诊断开展研究，提出具有显式推理能力的辅助诊断模型。该模型能够整合CMR定量功能参数和多序列影像语义描述，生成结构化、可追溯的诊断链，为提升医学人工智能辅助诊断的准确性与可解释性提供了新的路径。

相关研究成果《Explicit chain of diagnosis for CMR semantic interpretation via large reasoning model》发表于Springer Nature旗下国际权威学术期刊npj Digital Medicine (IF 18.0)。北京师范大学人工智能学院为第一作者单位，博士生李岩松为第一作者，田沄教授为论文通讯作者。

该方法的核心特点是将临床诊断思路引入模型推理过程。模型首先分析左右心室功能参数是否存在异常，随后识别室壁运动、心肌水肿以及延迟强化的位置和分布等影像特征，并进一步综合判断可能的病理生理机制，最终形成疾病诊断及其依据。与只提供分类标签的传统模型相比，该方法建立了影像证据、分析过程与诊断结论之间的联系，使模型输出更加便于理解和核查。

为提高模型的专业性与推理诊断能力，课题组构建了包括医学知识注入、诊断链冷启动、多阶段自适应强化学习和持续学习在内的训练框架。其中，医学知识注入阶段将临床指南、规范化术语和专家诊断经验融入模型；多阶段自适应组相对策略优化方法根据模型对不同疾病类别的学习情况动态调整数据采样重点，以缓解临床数据中常见的类别不均衡问题。所提方法框架如图1所示。

图1 所提方法框架

研究结果表明，该模型能够对心肌梗死、肥厚型心肌病、扩张型心肌病、心肌炎、心脏淀粉样变等多类情况进行有效识别，整体表现优于多种医学大模型和通用大模型。进一步实验显示，显式诊断链不仅增强了输出的可解释性，也有助于提高模型的诊断性能。

该研究探索了专业模型服务心脏疾病辅助诊断的新范式，推动医学影像人工智能由“黑箱预测”向可解释、可追溯的临床推理转变。此外，该研究采用较小参数的模型，具有医院内部本地化和离线部署潜力，可在保护临床数据与患者隐私的同时，为医生提供高效辅助。

文章链接：https://www.nature.com/articles/s41746-026-03175-3   

https://doi.org/10.1038/s41746-026-03175-3