TL;DR

长期以来，医疗 AI 的评估一直被“投喂式”的 2D 切片所误导。由于缺乏直接操作医疗软件的能力，模型无法展现真实的临床推理过程。MEDOPENCLAW 改变了这一现状，它提供了一个可审计的运行时环境，让 VLM 能够像人类放射科医生一样，在 3D 空间中滚动切片、对比序列。然而，研究发现了一个有趣的**“工具使用悖论”**：给模型更好的手术刀，它反而可能把手术做砸。

痛点深挖：被“喂饭”的 AI 不是好医生

在真实的临床中，放射科医生面对的是包含几百张切片的 CT 或 MRI 原始数据（Full-study），他们需要：

1. 自主导航：在成百上千的切片中定位病灶。
2. 多序列对比：结合 T1, T2, FLAIR 等不同模态验证猜想。
3. 工具测量：手动勾画或测量病灶大小。

而现有的 Benchmark（如图 1 左侧）大多是“给一张图，问一个问题”。这种设定抹杀了临床诊断中最难的一环——证据搜集。更糟糕的是，黑盒模型的回答不可追溯，医生不敢信，监管不通过。

方法论：构建可审计的医疗运行时

MEDOPENCLAW 并不是一个模型，而是一个 Runtime (运行时)。它在模型和专业的 3D Slicer 软件之间搭了一座桥。

核心设计原则：

• Bounded Action Space (受限动作空间)：模型不能乱写 Python 脚本（安全风险），只能通过受限的 REST API 调用定义好的功能（如“跳转到第 50 层”、“调整窗宽窗位”）。
• Auditability (可审计性)：系统会自动记录每一次 Tool Call、每一张截图和每一个参数。这意味着诊断过程可以被 100% 重放，满足医疗合规性。

MEDFLOW-BENCH：全研究级挑战

基于该运行时，作者推出了 MEDFLOW-BENCH。它涵盖了脑部 MRI 和肺部 CT/PET 数据。不同于以往，模型现在必须自主在 3D 空间进行检索。

它设立了三条赛道：

• Track A (Viewer-Only)：纯视觉感知，只准看和翻页。
• Track B (Tool-Use)：可以使用高级工具（如 MONAI 分割包）。
• Track C (Open-Method)：不限手段，测试原生 3D 模型的潜力。

实验结果：揭示“工具使用悖论”

实验结果给当前火热的 Agent 社区浇了一盆冷水。

1. 大模型会看病了吗？ 在脑部 MRI 模块中，Gemini 3.1 Pro 达到了 0.63 的准确率。这证明前沿 VLM 已经具备了基本的 3D 导航感知能力。
2. 悖论出现：当下表 3 显示出一种诡异的趋势，当给 GPT-5.4 增加“高级分割工具包”时，其表现反而下降了。

原因分析：这就是所谓的 Spatial Grounding（空间对准）失效。模型虽然知道“要在肿瘤位置进行分割”，但由于无法给出毫米级精确的坐标参数，导致分出的掩码全是错的。AI 被自己生成的“伪证据”误导，最终做出了错误的诊断。

深度洞察与总结

MEDOPENCLAW 的出现标志着医疗 AI 从“选择题”时代进入了“诊断题”时代。

• Takeaway 1：感知不代表控制。目前大模型能“看懂”病灶，但由于缺乏对物理空间坐标的精确操控力，它们在调用专业医疗工具时显得笨拙。
• Takeaway 2：可审计性是刚需。MEDOPENCLAW 记录的动作轨迹（Trace）不仅是为了测试，更是为了未来构建 MedCopilot（医疗协作者），让医生在核实 AI 诊断时有据可查。

未来展望： 未来的突破口可能不在于模型参数的堆砌，而在于如何实现 Fine-grained Spatial Control。只有当 AI 能像外科医生手术刀一样精准地定位 3D 空间坐标时，真正的医疗自动驾驶才会到来。

本文基于论文《MEDOPENCLAW: Auditable Medical Imaging Agents Reasoning over Uncurated Full Studies》深度解读。