医学影像大模型评测RecallK 为什么不能横向排名一句话结论把两个模型的 Recall10 并排放在一起比大小比的往往不是模型而是候选池、数据集划分和样本量。项内容摘要10 月 26 日 Frontiers in Medicine 上线一篇覆盖 50 余项研究的综述明确拒绝给医学视觉—语言模型排名。本文拆清它给的四条理由、13 篇研究的指标报告率、四类规范的职责边界并用一个零依赖脚本量化候选池与样本量如何扭曲 RecallK最后给出六条可直接写进评测方案的校准线。前置知识检索指标 RecallK 的含义知道「验证集划分」与「置信区间」两个词阅读时间约 15 分钟代码环境Python 3.9零第三方依赖不联网输出确定无随机源读完你能做什么能在评审会上指出一份医学影像模型对比表里哪几列不可比能给自己团队的评测方案补上候选池、划分、样本量三项声明能说清 CLAIM 与 TRIPODAI 各自管什么一手来源是 2026 年 10 月 26 日上线的综述《Vision–language foundation models for multimodal medical image understanding and report generation: a narrative review with quantitative synthesis》载于Frontiers in MedicineVolume 13 - 2026Section PathologyDOI10.3389/fmed.2026.1958283作者 Shahid Mehmood 等 7 人来自巴基斯坦 Bahria University、阿联酋 University of Sharjah、沙特 IMSIU、韩国 Gachon University 与马来西亚 UiTM。本文引用的数字与原文表述均出自该综述页面涉及第三方转述处已单独标明。一、这份综述到底说了什么它做的不是荟萃分析而是「带定量综合的叙述性综述」。原文在摘要里把立场写得很直接Drawing on more than 50 original studies published between 2020 and 2025, we provide a structured descriptive comparison rather than a statistical meta-analysis.Because datasets, splits, candidate pools, and metrics differ, cross-task results are presented as exploratory benchmark indicators and not as a clinical-readiness scale.两句话把边界划死了这是结构化描述不是合并统计跨任务结果只是探索性基准指示不是临床就绪量表。它给出的模型数字本文原样摘录表中 NR 原综述标注 not reported破折号 原表未报告均不等于零分模型任务指标数值数据集/规模BiomedCLIP (2023)图文检索Recall10.58PMC-15M1500 万图文对BiomedCLIP (2023)图文检索Recall5 / Recall100.82 / 0.89同上GLoRIA (2021)图文检索Recall1 / Recall5 / Recall100.51 / 0.78 / 0.87MIMIC-CXR37.7 万影像ConVIRT (2022)图文检索Recall100.81Recall1 未报告MIMIC-CXRMMBERT (2021)医学 VQAVQA-RAD 准确率62.5%VQA-RADMedViLL (2022)医学 VQAVQA-RAD 准确率67.8%MIMIC-CXR、VQA-RAD看这张表最容易犯的错就是把 0.89、0.87、0.81 三个数排个序然后说 BiomedCLIP 比 GLoRIA 好。综述在 Table 7 的说明里专门堵了这个口子RecallK is protocol dependent. Dataset, split, retrieval direction, candidate-pool size, and preprocessing must match before systems are compared.Retrieval values are not directly rankable across different datasets, candidate-pool sizes, directions, splits, and preprocessing pipelines.二、为什么 RecallK 会随候选池漂移候选池就是检索时的候选集合大小。同一个模型从 200 条里找和从 5000 条里找Recall10 的绝对值完全不是一回事——因为随机基线就是K / N。这事的机制不复杂但后果被严重低估候选池扩大 N 倍随机的命中概率就缩小 N 倍所以同样的模型能力在大池子里看起来「变差」其实是任务变难。要跨池比较得看相对随机基线的提升倍数而不是绝对值。三、动手验证把候选池与样本量的影响算出来下面这段脚本不装任何依赖直接python recall_pool_drift.py就能跑。它把模型能力固定成一个参数正例与负例得分分布的距离 d只让候选池变化看 Recall10 怎么动再算同一个观测值在不同测试集规模下的 Wilson 置信区间。import math K 10 # 取前 10 个结果 DPRIME 2.5 # 模型能力正例与负例得分分布的距离固定不动 def log_binom_pmf(n: int, i: int, p: float) - float: 二项分布 pmf 的对数用 lgamma 避免大组合数溢出。 if p 0.0: return 0.0 if i 0 else -math.inf if p 1.0: return 0.0 if i n else -math.inf return (math.lgamma(n 1) - math.lgamma(i 1) - math.lgamma(n - i 1) i * math.log(p) (n - i) * math.log1p(-p)) def binom_cdf(n: int, k: int, p: float) - float: P(X k)X ~ Binom(n, p)。这里 k 很小直接累加前 k1 项。 return math.fsum(math.exp(log_binom_pmf(n, i, p)) for i in range(k 1)) def recall_at_k(pool: int, k: int K, dprime: float DPRIME) - float: 正例落在前 k 名的概率。 对正例得分做数值积分给定得分 x负例超过 x 的个数 ~ Binom(pool-1, Φ(-x)) 要求其 k-1。 total, wsum 0.0, 0.0 x dprime - 6.0 while x dprime 6.0: w math.exp(-0.5 * (x - dprime) ** 2) # 未归一化的正态密度 q 0.5 * math.erfc(x / math.sqrt(2.0)) # 单个负例超过 x 的概率 total w * binom_cdf(pool - 1, k - 1, q) wsum w x 0.01 return total / wsum def random_baseline(pool: int, k: int K) - float: 随机排序下正例进入前 k 的概率就是 k / N。 return min(1.0, k / pool) def wilson_interval(hits: int, total: int, z: float 1.96): Wilson 分数区间样本量小的时候比正态近似稳得多。 if total 0: return (0.0, 0.0) p hits / total denom 1 z * z / total center (p z * z / (2 * total)) / denom margin z * math.sqrt(p * (1 - p) / total z * z / (4 * total * total)) / denom return (max(0.0, center - margin), min(1.0, center margin)) def main(): print(f模型能力固定 d {DPRIME}只改候选池大小k {K}) print() print(f{候选池 N:8} | {Recall10:9} | {随机基线:9} | {提升倍数:9}) print(- * 44) for n in (200, 500, 1000, 2000, 5000): r recall_at_k(n) base random_baseline(n) print(f{n:8} | {r:9.3f} | {base:9.4f} | {r / base:8.0f}x) print() print( 测试集样本量对 95% 置信区间宽度的影响观测 Recall10 0.58) print(f{样本量 n:9} | {命中数:6} | {95% Wilson 区间:22} | {半宽:7}) print(- * 56) for n in (30, 100, 300, 1000): hits round(0.58 * n) lo, hi wilson_interval(hits, n) print(f{n:9} | {hits:6} | [{lo:.3f}, {hi:.3f}]{:5} | {(hi - lo) / 2:7.3f}) if __name__ __main__: main()本机实跑WindowsPython 3.13.12输出模型能力固定 d 2.5只改候选池大小k 10 候选池 N | Recall10 | 随机基线 | 提升倍数 -------------------------------------------- 200 | 0.796 | 0.0500 | 16x 500 | 0.665 | 0.0200 | 33x 1000 | 0.562 | 0.0100 | 56x 2000 | 0.464 | 0.0050 | 93x 5000 | 0.348 | 0.0020 | 174x 测试集样本量对 95% 置信区间宽度的影响观测 Recall10 0.58 样本量 n | 命中数 | 95% Wilson 区间 | 半宽 -------------------------------------------------------- 30 | 17 | [0.392, 0.726] | 0.167 100 | 58 | [0.482, 0.672] | 0.095 300 | 174 | [0.523, 0.634] | 0.056 1000 | 580 | [0.549, 0.610] | 0.031两个结论可以直接拿去用候选池从 200 扩到 5000同一个模型的 Recall10 从 0.796 掉到 0.348而相对随机基线的提升从 16 倍涨到 174 倍。掉下去的那部分不是能力损失是任务难度。看到跨论文的 RecallK 对比表先问一句候选池多大。测试集 30 例时95% 区间的半宽是 0.167。两个模型点估计差 0.05在这个样本量下和没差别是一回事。综述里那些两三个点的差距多数属于这一类。四、13 篇研究的指标报告率缺的不是指标是配套信息综述对 13 篇研究做了一次来源审计分母统一为 13报告项篇数占比BLEU/ROUGE431%RadGraph F100%CheXpert/CheXbert 标签评估646%BERTScore18%人类专家评估431%推理延迟或吞吐00%综述自己加了一句限定这些比例只描述被展示的审计样本不构成领域总体估计。但两项 0% 很有信息量——没有一篇报告推理延迟或吞吐。对要落在读片流程里的系统延迟和能不能横向扩展是和准确率同量级的约束条件却在公开证据里整体缺席。关于「不排名」综述在 5.5.1 节给了操作口径The source audit in Table 4 shows that direct longitudinal ranking is not defensible when models address different tasks or use different evaluation protocols.Comparisons should therefore be restricted to studies using the same dataset, patient-level split, preprocessing, and evaluation implementation.VQA 那边同理。Table 6 的注脚写明VQA-RAD、SLAKE、PathVQA、ImageCLEF VQA-Med 在答案格式、划分构造、归一化与临床语境上各不相同模型或数据集之间的表面差异应被理解为基准特异的而不是共同的成熟度标尺。五、常见误区误区一把破折号当 0 分。综述在 Table 4 注脚专门写了A dash or not reported should not be interpreted as zero performance。ConVIRT 的 Recall1 是未报告不是测出来为零。误区二把「遵循报告规范」当成「拿到监管许可」。原文措辞是遵循报告指南本身不构成监管授权adhering to reporting guidelines does not itself constitute regulatory authorization。CLAIM 是报告清单不是通行证。误区三跨任务合成一个总分。Table 8 的标题就写着Exploratory cross-task evidence summary (not a clinical-readiness scale)并注明各行指标测的是不同构念。误区四把单中心回顾性结果当普遍结论。综述在 roadmap 里把外部验证与亚组验证写进最低标准正是针对这一点。误区五只看准确率不看延迟。13 篇里 0 篇报告延迟或吞吐这不代表延迟不重要只代表公开证据存在缺口。自己评测时不要继承这个缺口。六、工程落地六条可以写进评测方案的校准线综述第 9 节提出了「最低临床验证与报告标准」对齐 FDA/Health Canada/MHRA 与 IMDRF 的良好机器学习实践、EU AI Act、TRIPODAI 与 CLAIM。落到一份能执行的内部评测方案可以拆成六条校准线要声明/要做的事对应规范职责数据溯源数据来源、许可、脱敏方式、入排标准报告类患者级划分按患者而非按影像切分写明划分比例与随机种子报告类TRIPODAI指标与区间主指标 95% 置信区间样本量写进表里报告类候选池与协议检索任务的候选池大小、检索方向、预处理报告类CLAIM外部与亚组验证至少一处外部数据 按人群/设备亚组拆分生命周期实践GMLP部署后监控上线后的性能监测与回退路径生命周期实践GMLP四类规范不是一回事混用会出事TRIPODAI 与 CLAIM 属报告指南GMLP 属生命周期实践EU AI Act 属法律义务适用与否取决于司法辖区与预期用途。综述明确提出这份清单要区分 reporting guidance、lifecycle practice 与 legal obligations 三类。七、适用边界与产业坐标这份综述的适用范围是医学影像的视觉—语言基础模型不包括纯文本临床大模型也不覆盖手术机器人一类的控制类系统。它的结论强度也有限定作者给出的十一项优先方向里RAG grounding、知识图谱推理、时序建模、联邦学习都还停在「待研究」不是已验证结论。把视角从论文拉回工程医学影像类模型真正进到医院里卡点往往不在模型本身而在它前面那圈东西——影像与报告的调阅链路、与既有系统的接口、数据不出域的部署形态。综述在数据侧提到的隐私顾虑去标识不能完全排除模型记忆到具体患者影像或文本在工程上会转化成一条硬约束推理与数据都得放在院内出域通路要能被审计。这类形态在信创环境里通常由两层承接平台层负责部署编排与资源隔离集成层负责把模型能力包成业务系统可调用的接口并把调用留痕。金蝶天燕 Apusic 这条线上AAS 应用服务器承担院内应用的承载ADMQ 分布式消息队列承担影像调阅与报告回传这类异步链路两者要满足的不是峰值数字而是数据不出域的前提下接口仍然可管、可审计。至于模型与产品之间的适配口径以各自的官方文档为准。八、结论综述覆盖 50 余项 2020–2025 年的研究给出的定位是结构化描述性比较不是荟萃分析也不是临床就绪量表。RecallK 是协议依赖的指标数据集、划分、检索方向、候选池大小、预处理必须对齐才可比较。固定能力下候选池从 200 到 5000 会让 Recall10 从 0.796 变到 0.348而提升倍数从 16 倍涨到 174 倍。13 篇研究中推理延迟与吞吐的报告率为 0%这是公开证据的缺口不是可以忽略的理由。CLAIM、TRIPODAI、GMLP、EU AI Act 分属报告指南、生命周期实践与法律义务三类混用会把报告合规误当成准入。问一句你们团队的模型对比表里有没有写明候选池大小和测试集样本量如果这两列是空的表里的排名大概率是噪声。 
长河君 · 2026/10/27 23:32:36 · 阅读 1.2k 医学影像大模型评测：Recall@K 为什么不能横向排名
医学影像大模型评测RecallK 为什么不能横向排名一句话结论把两个模型的 Recall10 并排放在一起比大小比的往往不是模型而是候选池、数据集划分和样本量。项内容摘要10 月 26 日 Frontiers in Medicine 上线一篇覆盖 50 余项研究的综述明确拒绝给医学视觉—语言模型排名。本文拆清它给的四条理由、13 篇研究的指标报告率、四类规范的职责边界并用一个零依赖脚本量化候选池与样本量如何扭曲 RecallK最后给出六条可直接写进评测方案的校准线。前置知识检索指标 RecallK 的含义知道「验证集划分」与「置信区间」两个词阅读时间约 15 分钟代码环境Python 3.9零第三方依赖不联网输出确定无随机源读完你能做什么能在评审会上指出一份医学影像模型对比表里哪几列不可比能给自己团队的评测方案补上候选池、划分、样本量三项声明能说清 CLAIM 与 TRIPODAI 各自管什么一手来源是 2026 年 10 月 26 日上线的综述《Vision–language foundation models for multimodal medical image understanding and report generation: a narrative review with quantitative synthesis》载于Frontiers in MedicineVolume 13 - 2026Section PathologyDOI10.3389/fmed.2026.1958283作者 Shahid Mehmood 等 7 人来自巴基斯坦 Bahria University、阿联酋 University of Sharjah、沙特 IMSIU、韩国 Gachon University 与马来西亚 UiTM。本文引用的数字与原文表述均出自该综述页面涉及第三方转述处已单独标明。一、这份综述到底说了什么它做的不是荟萃分析而是「带定量综合的叙述性综述」。原文在摘要里把立场写得很直接Drawing on more than 50 original studies published between 2020 and 2025, we provide a structured descriptive comparison rather than a statistical meta-analysis.Because datasets, splits, candidate pools, and metrics differ, cross-task results are presented as exploratory benchmark indicators and not as a clinical-readiness scale.两句话把边界划死了这是结构化描述不是合并统计跨任务结果只是探索性基准指示不是临床就绪量表。它给出的模型数字本文原样摘录表中 NR 原综述标注 not reported破折号 原表未报告均不等于零分模型任务指标数值数据集/规模BiomedCLIP (2023)图文检索Recall10.58PMC-15M1500 万图文对BiomedCLIP (2023)图文检索Recall5 / Recall100.82 / 0.89同上GLoRIA (2021)图文检索Recall1 / Recall5 / Recall100.51 / 0.78 / 0.87MIMIC-CXR37.7 万影像ConVIRT (2022)图文检索Recall100.81Recall1 未报告MIMIC-CXRMMBERT (2021)医学 VQAVQA-RAD 准确率62.5%VQA-RADMedViLL (2022)医学 VQAVQA-RAD 准确率67.8%MIMIC-CXR、VQA-RAD看这张表最容易犯的错就是把 0.89、0.87、0.81 三个数排个序然后说 BiomedCLIP 比 GLoRIA 好。综述在 Table 7 的说明里专门堵了这个口子RecallK is protocol dependent. Dataset, split, retrieval direction, candidate-pool size, and preprocessing must match before systems are compared.Retrieval values are not directly rankable across different datasets, candidate-pool sizes, directions, splits, and preprocessing pipelines.二、为什么 RecallK 会随候选池漂移候选池就是检索时的候选集合大小。同一个模型从 200 条里找和从 5000 条里找Recall10 的绝对值完全不是一回事——因为随机基线就是K / N。这事的机制不复杂但后果被严重低估候选池扩大 N 倍随机的命中概率就缩小 N 倍所以同样的模型能力在大池子里看起来「变差」其实是任务变难。要跨池比较得看相对随机基线的提升倍数而不是绝对值。三、动手验证把候选池与样本量的影响算出来下面这段脚本不装任何依赖直接python recall_pool_drift.py就能跑。它把模型能力固定成一个参数正例与负例得分分布的距离 d只让候选池变化看 Recall10 怎么动再算同一个观测值在不同测试集规模下的 Wilson 置信区间。import math K 10 # 取前 10 个结果 DPRIME 2.5 # 模型能力正例与负例得分分布的距离固定不动 def log_binom_pmf(n: int, i: int, p: float) - float: 二项分布 pmf 的对数用 lgamma 避免大组合数溢出。 if p 0.0: return 0.0 if i 0 else -math.inf if p 1.0: return 0.0 if i n else -math.inf return (math.lgamma(n 1) - math.lgamma(i 1) - math.lgamma(n - i 1) i * math.log(p) (n - i) * math.log1p(-p)) def binom_cdf(n: int, k: int, p: float) - float: P(X k)X ~ Binom(n, p)。这里 k 很小直接累加前 k1 项。 return math.fsum(math.exp(log_binom_pmf(n, i, p)) for i in range(k 1)) def recall_at_k(pool: int, k: int K, dprime: float DPRIME) - float: 正例落在前 k 名的概率。 对正例得分做数值积分给定得分 x负例超过 x 的个数 ~ Binom(pool-1, Φ(-x)) 要求其 k-1。 total, wsum 0.0, 0.0 x dprime - 6.0 while x dprime 6.0: w math.exp(-0.5 * (x - dprime) ** 2) # 未归一化的正态密度 q 0.5 * math.erfc(x / math.sqrt(2.0)) # 单个负例超过 x 的概率 total w * binom_cdf(pool - 1, k - 1, q) wsum w x 0.01 return total / wsum def random_baseline(pool: int, k: int K) - float: 随机排序下正例进入前 k 的概率就是 k / N。 return min(1.0, k / pool) def wilson_interval(hits: int, total: int, z: float 1.96): Wilson 分数区间样本量小的时候比正态近似稳得多。 if total 0: return (0.0, 0.0) p hits / total denom 1 z * z / total center (p z * z / (2 * total)) / denom margin z * math.sqrt(p * (1 - p) / total z * z / (4 * total * total)) / denom return (max(0.0, center - margin), min(1.0, center margin)) def main(): print(f模型能力固定 d {DPRIME}只改候选池大小k {K}) print() print(f{候选池 N:8} | {Recall10:9} | {随机基线:9} | {提升倍数:9}) print(- * 44) for n in (200, 500, 1000, 2000, 5000): r recall_at_k(n) base random_baseline(n) print(f{n:8} | {r:9.3f} | {base:9.4f} | {r / base:8.0f}x) print() print( 测试集样本量对 95% 置信区间宽度的影响观测 Recall10 0.58) print(f{样本量 n:9} | {命中数:6} | {95% Wilson 区间:22} | {半宽:7}) print(- * 56) for n in (30, 100, 300, 1000): hits round(0.58 * n) lo, hi wilson_interval(hits, n) print(f{n:9} | {hits:6} | [{lo:.3f}, {hi:.3f}]{:5} | {(hi - lo) / 2:7.3f}) if __name__ __main__: main()本机实跑WindowsPython 3.13.12输出模型能力固定 d 2.5只改候选池大小k 10 候选池 N | Recall10 | 随机基线 | 提升倍数 -------------------------------------------- 200 | 0.796 | 0.0500 | 16x 500 | 0.665 | 0.0200 | 33x 1000 | 0.562 | 0.0100 | 56x 2000 | 0.464 | 0.0050 | 93x 5000 | 0.348 | 0.0020 | 174x 测试集样本量对 95% 置信区间宽度的影响观测 Recall10 0.58 样本量 n | 命中数 | 95% Wilson 区间 | 半宽 -------------------------------------------------------- 30 | 17 | [0.392, 0.726] | 0.167 100 | 58 | [0.482, 0.672] | 0.095 300 | 174 | [0.523, 0.634] | 0.056 1000 | 580 | [0.549, 0.610] | 0.031两个结论可以直接拿去用候选池从 200 扩到 5000同一个模型的 Recall10 从 0.796 掉到 0.348而相对随机基线的提升从 16 倍涨到 174 倍。掉下去的那部分不是能力损失是任务难度。看到跨论文的 RecallK 对比表先问一句候选池多大。测试集 30 例时95% 区间的半宽是 0.167。两个模型点估计差 0.05在这个样本量下和没差别是一回事。综述里那些两三个点的差距多数属于这一类。四、13 篇研究的指标报告率缺的不是指标是配套信息综述对 13 篇研究做了一次来源审计分母统一为 13报告项篇数占比BLEU/ROUGE431%RadGraph F100%CheXpert/CheXbert 标签评估646%BERTScore18%人类专家评估431%推理延迟或吞吐00%综述自己加了一句限定这些比例只描述被展示的审计样本不构成领域总体估计。但两项 0% 很有信息量——没有一篇报告推理延迟或吞吐。对要落在读片流程里的系统延迟和能不能横向扩展是和准确率同量级的约束条件却在公开证据里整体缺席。关于「不排名」综述在 5.5.1 节给了操作口径The source audit in Table 4 shows that direct longitudinal ranking is not defensible when models address different tasks or use different evaluation protocols.Comparisons should therefore be restricted to studies using the same dataset, patient-level split, preprocessing, and evaluation implementation.VQA 那边同理。Table 6 的注脚写明VQA-RAD、SLAKE、PathVQA、ImageCLEF VQA-Med 在答案格式、划分构造、归一化与临床语境上各不相同模型或数据集之间的表面差异应被理解为基准特异的而不是共同的成熟度标尺。五、常见误区误区一把破折号当 0 分。综述在 Table 4 注脚专门写了A dash or not reported should not be interpreted as zero performance。ConVIRT 的 Recall1 是未报告不是测出来为零。误区二把「遵循报告规范」当成「拿到监管许可」。原文措辞是遵循报告指南本身不构成监管授权adhering to reporting guidelines does not itself constitute regulatory authorization。CLAIM 是报告清单不是通行证。误区三跨任务合成一个总分。Table 8 的标题就写着Exploratory cross-task evidence summary (not a clinical-readiness scale)并注明各行指标测的是不同构念。误区四把单中心回顾性结果当普遍结论。综述在 roadmap 里把外部验证与亚组验证写进最低标准正是针对这一点。误区五只看准确率不看延迟。13 篇里 0 篇报告延迟或吞吐这不代表延迟不重要只代表公开证据存在缺口。自己评测时不要继承这个缺口。六、工程落地六条可以写进评测方案的校准线综述第 9 节提出了「最低临床验证与报告标准」对齐 FDA/Health Canada/MHRA 与 IMDRF 的良好机器学习实践、EU AI Act、TRIPODAI 与 CLAIM。落到一份能执行的内部评测方案可以拆成六条校准线要声明/要做的事对应规范职责数据溯源数据来源、许可、脱敏方式、入排标准报告类患者级划分按患者而非按影像切分写明划分比例与随机种子报告类TRIPODAI指标与区间主指标 95% 置信区间样本量写进表里报告类候选池与协议检索任务的候选池大小、检索方向、预处理报告类CLAIM外部与亚组验证至少一处外部数据 按人群/设备亚组拆分生命周期实践GMLP部署后监控上线后的性能监测与回退路径生命周期实践GMLP四类规范不是一回事混用会出事TRIPODAI 与 CLAIM 属报告指南GMLP 属生命周期实践EU AI Act 属法律义务适用与否取决于司法辖区与预期用途。综述明确提出这份清单要区分 reporting guidance、lifecycle practice 与 legal obligations 三类。七、适用边界与产业坐标这份综述的适用范围是医学影像的视觉—语言基础模型不包括纯文本临床大模型也不覆盖手术机器人一类的控制类系统。它的结论强度也有限定作者给出的十一项优先方向里RAG grounding、知识图谱推理、时序建模、联邦学习都还停在「待研究」不是已验证结论。把视角从论文拉回工程医学影像类模型真正进到医院里卡点往往不在模型本身而在它前面那圈东西——影像与报告的调阅链路、与既有系统的接口、数据不出域的部署形态。综述在数据侧提到的隐私顾虑去标识不能完全排除模型记忆到具体患者影像或文本在工程上会转化成一条硬约束推理与数据都得放在院内出域通路要能被审计。这类形态在信创环境里通常由两层承接平台层负责部署编排与资源隔离集成层负责把模型能力包成业务系统可调用的接口并把调用留痕。金蝶天燕 Apusic 这条线上AAS 应用服务器承担院内应用的承载ADMQ 分布式消息队列承担影像调阅与报告回传这类异步链路两者要满足的不是峰值数字而是数据不出域的前提下接口仍然可管、可审计。至于模型与产品之间的适配口径以各自的官方文档为准。八、结论综述覆盖 50 余项 2020–2025 年的研究给出的定位是结构化描述性比较不是荟萃分析也不是临床就绪量表。RecallK 是协议依赖的指标数据集、划分、检索方向、候选池大小、预处理必须对齐才可比较。固定能力下候选池从 200 到 5000 会让 Recall10 从 0.796 变到 0.348而提升倍数从 16 倍涨到 174 倍。13 篇研究中推理延迟与吞吐的报告率为 0%这是公开证据的缺口不是可以忽略的理由。CLAIM、TRIPODAI、GMLP、EU AI Act 分属报告指南、生命周期实践与法律义务三类混用会把报告合规误当成准入。问一句你们团队的模型对比表里有没有写明候选池大小和测试集样本量如果这两列是空的表里的排名大概率是噪声。