超越离散词元：在医学视觉语言模型中保持数值连续性

目的：开发一种统一的视觉语言模型，用于以提示为条件的超声定量测量，解决连续测量目标与基于离散词元的数值预测之间的不匹配问题。方法：本文提出 HAD-VLM，一种混合自回归与扩散的框架，在共享骨干网络中结合自回归文本生成与连续测量预测。通过视觉提示调优，使视觉编码器适应超声图像。扩散过程预测一个包含测量卡尺端点坐标和测量长度的五分量表示。引入一种后处理策略，将所提出的坐标—长度一致性机制与集成预测相结合，以优化测量估计。我们在 EchoNet-LVH 上评估了四项超声心动图测量任务，并进一步评估了医学问答和 X 线椎体测量。结果：HAD-VLM 在 IVSd、LVIDd、LVIDs 和 LVPWd 上的平均绝对误差分别为 1.36、2.77、3.05 和 1.16 毫米，相较于基于 Vicuna 的自回归基线，误差降低了 21.4–37.6%。在全部四项任务中，其表现也优于微调后的 Qwen3-VL 和直接 MLP 回归。在所评估的数据集上，医学问答性能得以保持。在 X 线椎体测量中，HAD-VLM 将平均绝对误差从 11.4 像素降至 6.7 像素。结论：将自回归语言生成与基于扩散的连续预测相结合，能够提高医学图像定量测量的性能，同时保留以提示为条件的任务灵活性。意义：HAD-VLM 为医学图像定量分析提供了一种统一方法，将语言交互与具有解剖学依据的数值预测相结合。