顶级会议 | 让AI像放射科医生一样读CT
论文标题： ACTOR: Agentic CT Reasoning with Radiologist-Aligned Actions
发表会议： EMNLP 2026（自然语言处理领域顶级会议）

🧠 一、研究背景
目前很多医学AI模型只能根据输入的几张CT图像回答问题。但真实放射科医生读CT时，需要不断滚动切片、放大病灶、调整窗宽窗位、测量病灶，还要对比既往CT。
作者提出：能不能让AI也像医生一样，主动寻找证据，而不是被动看图回答？

🔬 二、研究设计
研究团队开发了ACTOR框架和7B参数的AI模型ActiveCTReasoner。
① 交互环境： 模拟PACS影像系统，赋予AI五种工具：滚动切片、局部放大、调整窗位、对比既往CT、测量病灶。
② 数据构建： 基于CT-RATE数据集（21,304名患者、25,692个CT影像），结合TotalSegmentator解剖分割工具，构建ActiveCTR-Bench。
③ 训练方式： 构建7,112道评测题，涵盖感知、解释和推理三个层次；生成108,085条多轮交互轨迹，采用监督微调（SFT）和强化学习（GRPO）训练模型。

📊 三、核心结果
① 整体准确率： 闭合式问题准确率达到73.2%，超过GPT-5.4的47.3%。
② 开放式推理： LLM评估得分44.2，最佳对照模型为23.8，接近1.9倍。
③ 病灶测量： 准确率达到98.6%，而GPT-5.4仅为59.4%，体现了结构化测量工具的价值。
④ 医生协作： 3名放射科医生参与100例CT评估。医生联合AI后，准确率从68.8%提高至76.0%，开放式报告质量得分从33提高至44，平均阅片时间从4.2分钟降至2.8分钟，缩短约33%。

💡 四、研究创新
核心突破是将AI从被动图像问答转变为主动影像探索。SFT教会模型使用什么工具，强化学习进一步优化何时使用、使用多少次。每一步操作都会生成可供医生检查的图像和结果，提高推理过程的可追溯性。

⚠️ 五、研究局限
① 模型目前只有7B参数，受计算资源限制。
② 医生协作研究仅涉及3名医生和100例病例，临床验证规模较小。
③ 开放式结果主要采用GPT-5.5进行评分，并非直接以临床诊断准确性作为唯一评价标准。
④ 目前仍缺乏更多真实世界、多中心临床验证，尚不能证明其能够直接替代临床阅片。
Globall CMV 学术会议