本研究纳入来自中国 22 个省份 42 家医院的 187 万份放射学报告，时间范围为 2019 年 1 月至 2024 年 8 月，涵盖 CT、MRI 和数字化放射摄影三类检查。纳排标准如下图所示，其中训练集包含 1,766,776 份报告，内部测试集包含 78,544 份报告，外部测试集包含 27,471 份报告，同时还纳入 CheXpert、CT-RATE 和 XGR-COVID-19 等开放数据集用于补充验证。样本中，训练集患者中位年龄为 52 岁，男性占 50.5%；内部测试集中位年龄为 52 岁，男性占 50.1%；多中心外部测试集中位年龄为 53 岁，男性占 50.8%。从检查类型看，训练集中 CT 占 62.6%，数字化放射摄影占 18.4%，MRI 占 19.0%；外部测试集中 MRI 比例更高，占 40.3%，体现出一定的跨中心和跨模态差异。

本文总体上采用“模型微调—自动评价—人工评价—临床效率验证”的技术路线。作者首先基于 Qwen2.5-7B 模型进行全参数微调，训练模型根据放射报告的“所见”生成“印象”；随后通过机器指标、人工评分、盲法比较和报告书写时间分析，多角度评估 MIRA 的生成质量和实际应用价值。技术路线图如下所示：

步骤一

研究团队首先对原始放射报告进行预处理，去除无效字符、冗余内容、空白或无意义的所见与印象，以及仅包含既往检查对比但缺乏有效影像信息的报告。这样做的目的，是尽量保证模型学习到的是临床有效的“所见—印象”对应关系，而不是模板化噪声。

步骤二

在模型训练阶段，作者采用 全参数微调 方法对 Qwen2.5-7B 进行训练，得到 MIRA。不同于仅调用通用大模型生成文本，本研究将大规模真实放射报告作为监督数据，使模型学习放射学报告中从影像描述到诊断印象的转换方式。

步骤三

考虑到不同医院的报告书写风格存在差异，研究引入了 站点与模态感知提示策略。也就是说，模型输入不仅包含报告所见，还加入检查模态和医院站点编码等简洁提示，使模型在生成印象时能够适应不同中心、不同检查类型的表达习惯。该流程在图2中展示。

步骤四

模型评价分为机器评价和人工评价。机器评价包括 BERTScore 和 句子相似度，前者用于衡量生成文本与参考印象在医学术语和语义层面的接近程度，后者用于衡量整体句意一致性。人工评价则由放射科医生基于 Likert 量表、精确率、召回率和 F1 值判断模型是否正确覆盖关键临床发现。

步骤五

为了提高大规模评估效率，研究还训练了一个辅助评价模型 ASPIRE，用于模拟放射科医生的评分过程。ASPIRE 基于报告所见、真实印象和模型生成印象，输出真阳性、假阳性、假阴性判断以及语言质量评分，从而支持在大规模测试集上进行较稳定的自动化人工对齐评估。

步骤六

最后，研究开展了多中心盲法评分和效率评估。来自 6 个中心的 24 名放射科医生参与评价，每个中心包括资深和初级医生。医生需要在不知道文本来源的情况下比较 MIRA 生成印象和参考印象，并记录在有无 MIRA 辅助时完成印象书写所需的时间。