arXiv cs.AI· Gujie Shao, Zixun Xie, Xuechun Xing, Ruixiang Wang, Ziyun Lan, Yanlin Qi, Gangyi Zhang, Yuxin Yang, Dawei Li, Haiming Tang·· 12 小时前AI 评分27
EyeVQA：眼科视觉语言模型基准，从疾病识别到空间定位
EyeVQA: Benchmarking Ophthalmic Vision-Language Models from Recognition to Spatial Grounding
AI 导读
研究团队构建了 EyeVQA 眼科视觉问答基准，整合 21 个眼科数据集、2 万条问答对，覆盖 6 类疾病和 7 种题型，其中 44.5% 的题目需跨多张图像推理。在统一零样本协议下评测 14 个通用、科学与医学专用 VLM，最佳模型总分仅 62.8，空间定位与跨任务泛化差距明显。
正文 · AI 翻译
摘要：视觉语言模型（VLM）在医学图像理解方面展现出日益增长的潜力，但其在眼科影像中的能力仍缺乏充分刻画。现有眼科数据集通常针对单一疾病或专门任务设计，难以系统评估 VLM 能否超越疾病识别，迈向比较推理与细粒度空间定位。我们提出 EyeVQA，一个用于全面评估眼科 VLM 的统一视觉问答基准。EyeVQA 由 21 个可获取的眼科数据集构建而成，包含 20,000 个问答对，涵盖六个疾病组和七种问题类型：单选、多选、可变选择、判断、排序、点定位和边界框。标准答案确定性地源自数据源提供的诊断、严重程度分级、临床发现、分割掩码、边界框和解剖标志点，从而无需依赖模型生成的标注即可实现可复现评估。值得注意的是，44.5% 的问题需要跨多张图像进行推理，使评估超越了传统的单图像医学 VQA。我们在统一的零样本协议下对十四个具有代表性的通用、科学和医学专用 VLM 进行了基准测试。表现最佳的模型总体得分仅为 62.8，而在空间定位和跨任务泛化方面仍存在显著差距。这些结果凸显了当前 VLM 在全面眼科视觉理解方面的局限性，并确立了 EyeVQA 作为诊断性基准的地位，用于开发更可靠且具备空间定位能力的眼科多模态模型。项目页面见 this https URL。
| 评论： | 已被 MICCAI 2026 CREATE Workshop 接收。19 页，2 幅图，2 张表。项目页面：this https URL |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2609.32352 [cs.CV] |
| （或 arXiv:2609.32352v3 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.32352 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Haiming Tang [查看邮箱]
[v1]
2026年9月26日星期六 08:15:17 UTC（2,126 KB）
[v2]
2026年9月29日星期二 01:27:10 UTC（2,126 KB）
[v3]
2026年10月20日星期二 21:56:44 UTC（2,126 KB）
来源：arXiv cs.AI · arxiv.org