云知声U2-RadiMed：让AI真正看懂医学影像

时氪分享·2026年08月13日 14:14

云知声发布自研医学影像多模态大模型U2-RadiMed

智能向上，是不断叩击AI能力的上限；智能向善，是让每一次技术跃迁都抵达真实的临床需求。2026年7月，云知声发布U2-Med三医大模型，推动大模型能力深入医疗、医保、医药全域场景。时隔仅一个月，云知声医疗AI能力再次进化——自研医学影像多模态大模型U2-RadiMed正式发布。

这一快速迭代既得益于深厚的技术储备，也恰逢医学影像AI的产业窗口期：云影像市场高速增长、医保影像互认政策加速落地，AI辅助阅片的临床刚需愈发凸显。这一次，我们直面更复杂、更专业的医学影像挑战。

作为国内先一步深度融合医学影像理解、报告生成、临床推理决策、视觉问答的全链路影像大模型，该模型支持单张、多张影像与文本的多模态混合输入，可完成“看影像→调知识→做推理→出结论”的完整工作闭环，为临床医生提供从病灶筛查、精准诊断到个体化治疗决策的全方位AI辅助支撑，助力影像诊断迈向更高阶的智能化。

U2-RadiMed全面覆盖CXR胸部X光、CT、MRI等主流医学影像类型，搭建起报告生成、病灶检测与定位、临床推理、临床决策、通用医学VQA、高级医学推理六大核心能力框架，是具备专业诊疗思维的“影像科AI专家”。

一、深耕医疗AI迭代升级，U2系列模型补齐影像认知核心能力

U2-RadiMed，是云知声大模型能力在医疗领域一次次“向深处生长”的结果。

依托持续演进的技术体系，云知声不断推动通用智能向医疗专业场景纵深拓展：从通用基座大模型U2，到覆盖医疗、医保、医药“三医”场景的专业大模型U2-Med，再到如今深入医学影像理解的U2-RadiMed，大模型能力正一步步走进更加复杂、更加专业的真实临床诊疗场景。

如果把这一演进过程比作培养一位“AI医生”：

U2让它学会思考，U2-Med让它读懂医学，而U2-RadiMed，则让它真正拥有了一双“看懂医学影像的眼睛”。

在U2-Med专业医学能力底座之上，U2-RadiMed进一步融合视觉理解能力，将影像中的病灶特征与医学知识、临床信息和诊疗逻辑连接起来。

因此，当它面对一张CT或一组MRI时，不再只是回答“图里有什么”，而是能够进一步围绕临床问题展开分析：

病灶在哪里？呈现出哪些特征？可能意味着什么？需要鉴别或排除哪些疾病？下一步又该如何判断？

从“看见影像”到“看懂影像”，再到结合医学知识进行推理与判断，U2-RadiMed进一步打通了“医学视觉”与“医学认知”之间的链路，也让云知声医疗大模型向更专业、更深入的临床核心场景持续进化。

二、技术持续向上，多项核心能力领跑评测

优秀的医学影像大模型，既要实现精准视觉识别，更要做到定位准、问答清、推理深。在多项横向评测中，U2-RadiMed展现出全方位领军的硬核实力。

在云知声自测评中，U2-RadiMed综合评分55.5，得分较高，展现出更均衡的医学影像多模态综合能力。

云知声自测结果同样显示，在六大核心能力专项评测中，U2-RadiMed实现四项能力表现突出，在报告生成、病灶检测与定位、通用医学VQA、高级医学推理四大维度成绩优异。其中，病灶检测与定位能力优势最为显著，以37.6分排名靠前，精准攻克医学影像诊疗核心痛点，在病灶异常筛查、精准定位的关键环节建立竞争优势。同时，模型通用医学VQA达74.2分、高级医学推理达46.8分，两项核心指标均位列参评模型前列；临床决策、临床推理、报告生成，形成从病灶识别、影像解读、智能问答到临床推理、诊疗决策的完整闭环能力。

而在此前公布的MedBench 5.0全模态大模型评测中，U2-RadiMed以综合得分57.2的成绩位列参评模型第一，再次印证其优秀的医学影像多模态综合实力。

三、突破单帧影像局限，看懂时序病程与临床诊疗逻辑

真实临床从来不是孤立地分析一张影像。

医生需要结合患者不同阶段的影像变化、临床信息与医学知识，对疾病进展、治疗效果以及后续方案进行综合判断。

U2-RadiMed因此进一步突破传统AI单张影像分析的局限，可理解多时序影像之间的关联逻辑，支持病灶检测定位、影像智能问答、多时序影像对比、病程动态追踪、鉴别诊断、报告辅助生成等多元临床场景，更贴近医生真实的诊疗思维与工作流程。

案例一：时序影像串联7年病程，实现肿瘤诊疗全周期分析

针对低级别胶质瘤患者初诊、术前、术后三个阶段的MRI影像，U2-RadiMed摒弃单图独立解读模式，可串联时序影像、还原完整病程。模型精准识别患者7年前25mm左侧额叶病灶、术前病灶增大至45mm的进展变化，同时研判术后肿瘤区域无明显占位，确认肿瘤完整切除。此外，模型可精准区分术区高信号水肿带为正常术后改变，并结合低级别胶质瘤病理特征，给出专业化术后随访建议。该能力让静态影像转化为动态病程故事，实现疾病进展、治疗效果、术后管理的全周期AI辅助。

案例二：全链路推理溯源，实现可解释性精准鉴别诊断

在70岁男性双眼突出的临床案例中，患者眼眶增强CT显示眶后脂肪突出、眼外肌增粗，存在肌腹增粗、肌腱附着处未受累的典型特征。针对该病例，U2-RadiMed不局限于输出单一诊断结果，而是依托完整临床逻辑开展鉴别诊断。

模型首先结合核心影像特征，将甲状腺相关眼病（TAO）列为最优诊断，同时逐一排查特发性眼眶炎症、眼眶淋巴瘤、眼眶血管性病变等疑似病症，逐条列出各类病症的支持与排除依据。在此基础上，进一步给出标准化后续诊疗方案，包括甲状腺功能及抗体检测、眼眶MRI复查，以及必要时全身影像学评估、组织活检等检查方向。全程形成“影像特征识别→医学知识调用→多维度鉴别诊断→风险概率研判→后续诊疗指导”的完整推理链路，具备极强的临床可解释性与实用性。