MedRAX: Medical Reasoning Agent for Chest X-ray

胸部X光片（CXRs）在疾病管理和患者护理中起着至关重要的作用，能够推动关键决策的制定。尽管最近的创新已经为各种胸部X光片解读任务开发了专门的模型，但这些解决方案通常独立运作，限制了它们在临床实践中的实际应用。我们推出了MedRAX，这是第一个多功能的人工智能代理，它无缝集成了最先进的胸部X光片分析工具和多模态大型语言模型，形成一个统一的框架。MedRAX动态利用这些模型来解决复杂的医学查询，而无需额外的训练。为了严格评估其能力，我们引入了ChestAgentBench，这是一个全面的基准测试，包含2,500个复杂的医学查询，涵盖了7个不同的类别。我们的实验表明，与开源和专有模型相比，MedRAX实现了最先进的性能，标志着自动化胸部X光片解释系统的实际部署迈出了重要一步。数据和代码已在https://github.com/bowang-lab/MedRAX公开发布。

该论文试图解决当前胸部X光（CXR）解释任务中，各种AI模型独立运作导致的实际临床应用受限的问题。这并不是一个全新的问题，但该研究旨在通过集成现有技术提供更全面的解决方案。

MedRAX的关键思路是创建一个统一框架，将最先进的CXR分析工具和多模态大语言模型无缝整合，以动态响应复杂的医疗查询。相比目前的研究，MedRAX不需要额外训练即可实现这一点，代表了在自动化CXR解释系统实际部署上的重大进展。

亮点包括引入了包含2,500个复杂医疗查询的ChestAgentBench基准测试集，覆盖7个不同类别；实验结果显示MedRAX性能优于开源和专有模型；所有数据和代码均已公开发布，便于后续研究者进一步探索和发展。

近期相关研究包括：1.《Deep Learning for Chest X-ray Diagnosis》探讨深度学习在CXR诊断中的应用；2.《Automated Interpretation of Chest Radiographs Using Deep Convolutional Neural Networks》聚焦于使用卷积神经网络自动解读胸部放射图像；3.《Multimodal Learning for Medical Imaging Analysis》讨论多模态学习在医学影像分析中的潜力。