Infection-Reasoner：基于循证临床推理的伤口感染分类的紧凑视觉语言模型

从照片评估慢性伤口感染具有挑战性，因为视觉外观因伤口病因、解剖位置和成像条件而异。先前基于图像的深度学习方法主要集中在可解释性有限的分类上，尽管需要基于证据的解释来支持护理点决策。我们提出了 Infection-Reasoner，这是一种紧凑的 4B 参数推理视觉语言模型，用于慢性伤口感染分类和基本原理生成。为了解决带有推理注释的专家标记伤口图像的稀缺问题，Infection-Reasoner 使用两阶段管道进行训练：(1) 推理 蒸馏，其中 GPT-5.1 为未标记伤口图像生成思想链基本原理，以在较小的学生模型 (Qwen3-VL-4B-Thinking) 中初始化伤口特定推理，以及 (2) 强化学习 后训练在小型标记感染数据集上使用组相对策略优化来完善分类推理。在保留的异质伤口数据集上，Infection-Reasoner 实现了 86.8% 的准确度、86.4% 的灵敏度和 87.1% 的特异性，优于包括 GPT-5.1 在内的多个强大基线。使用多模式 大语言模型 (MLLM) 法官和伤口专家评审进一步评估基本原理质量。四位 MLLM 法官的视觉支持一致性分数在 0.722 到 0.903 之间，而专家评审将 61.8% 的理由评为正确，32.4% 的理由部分正确。