MedLVR：可靠的医学视觉问答的潜在视觉推理

医学视觉语言模型（VLM）在医学视觉问答（VQA）方面显示出强大的潜力，但它们的推理仍然主要以文本为中心：图像被编码为静态上下文，随后的推理由语言主导。这种范式从根本上限制了临床场景，其中准确的答案通常依赖于微妙的、局部的视觉证据，而这些证据无法在静态嵌入中可靠地保存。我们提出了 \textsc{MedLVR}，一个潜在的视觉推理框架，它将显式的视觉证据状态引入自回归解码中。 \textsc{MedLVR} 不是仅仅依赖于基于文本的中间推理，而是通过重用隐藏状态作为连续的潜在步骤，在解码器内交错一个短的潜在推理段，从而在生成答案之前能够迭代保存和细化与查询相关的视觉证据。为了支持有效的视觉监督，我们采用两阶段训练策略：感兴趣区域（ROI）监督的微调将潜在状态与临床相关图像证据对齐，视觉潜在策略优化（VLPO）进一步优化结果级奖励下的潜在推理和答案生成。 OmniMedVQA 和五个外部医学 VQA 基准测试表明 \textsc{MedLVR} 始终优于最近的推理基线，并将 Qwen2.5-VL-7B 主干网的平均得分从 48.3% 提高到 53.4%。这些结果表明，潜在视觉推理为保存诊断相关视觉证据和提高医学 VQA 的可靠性提供了有效的机制。