本文提出了 RVLM，一种基于递归 Python REPL 环境的视觉语言模型框架，旨在解决医疗 AI 的黑盒预测和固定计算开销问题。通过引入可预测任务复杂性的 RRouter 模块，该系统在 BraTS 2023 脑胶质瘤和 MIMIC-CXR 胸片任务上实现了具备可审计性和自适应深度的临床诊断。
TL;DR
在临床医疗领域，AI 的“黑盒”属性一直是阻碍其大规模应用的核心痛点。本文介绍的 RVLM (Recursive Vision-Language Model) 框架，彻底抛弃了传统的单次前向推理模式，转而采用一种“生成-执行”的递归循环。它不仅让 AI 的每一次诊断都有据可查（生成 Python 代码），还通过 RRouter 实现了动态的计算分配，让简单病例跑得快、复杂病例钻得深。
核心定位
RVLM 不是一个全新的基础大模型，而是一套方法论插件。它将现有的 VLM（如 Gemini 2.5 Flash）置于一个具备视觉能力的 REPL (Read-Eval-Print Loop) 环境中，使其从一个简单的“分类器”进化为一个具备“动手能力”的数字放射科医生。
1. 痛点：为什么单次推理不够用？
- 不可审计 (Lack of Auditability)：放射科医生需要知道 AI 为什么判定是脑膜瘤，是基于哪个模态的什么特征？单次推理只给结果，不给过程。
- 效率极化 (Fixed-Budget Dilemma)：医生处理一个简单的骨折和一个复杂的恶性肿瘤，花费的时间显然不同。但目前的 Agent 架构通常设定固定的
max_iterations，要么在简单任务上浪费 API Token，要么在复杂任务上草草了事。
2. Methodology：递归视觉推理与自适应深度
2.1 视觉 REPL 环境 (EV)
RVLM 的核心在于它给模型提供了一个“实验台”。模型可以编写 Python 代码来操纵图像：
describe_image()：针对特定模态（如 T1ce 或 FLAIR）进行独立描述。llm_query_with_images()：进行跨模态对比，例如对比增强后的 T1 与水肿明显的 FLAIR 图像。- 图像处理工具箱：支持调用 PIL 或 NumPy 进行裁切（Crop）或增强（Enhance），模拟放射科医生放大局部观察的行为。
图 1：RVLM 系统架构，展示了 MV 控制器与 EV 环境之间的闭环交互。
2.2 RRouter：任务复杂性预测
为了实现自适应深度，作者设计了 RRouter 逻辑。它首先通过一个“预检阶段”提取病灶的 4 个物理特征：
- 标签熵 (H)： sub-region 分布越平均，复杂度越高。
- 肿瘤总体积 (V)：体积越大，分析步骤越多。
- 子区域数量 (R)：判断包含环形增强、水肿等多少个组成部分。
- 微小区域指标 (T)：是否存在难以察觉的小病灶。
通过公式计算出复杂度评分 ，并将其映射为 3 到 6 次不等的迭代预算。
3. 实验结果：不仅仅是准确率
3.1 脑膜瘤亚区表征 (BraTS 2023)
在 BraTS 任务中，RVLM 展现出了极高的跨模态验证能力。例如，它能检测出分割掩码（Segmentation Mask）与原始图像信号之间的矛盾——这是单次推理模型绝对无法察觉的逻辑缺陷。
表 1：RVLM 与单次推理 VLM 在诊断功能上的对比，展示了其在增强表征和代码验证方面的优势。
3.2 成本效率
对于简单案例（BraTS-MEN-00008-000），RRouter 将迭代次数压缩至 3 次。相比固定 12 次的上限，推理成本和延迟直接下降了约 75%，这使得该架构在实际生产环境中具备了经济可行性。
4. 深度洞察：符合监管的“内生透明度”
RVLM 最具前瞻性的贡献在于它对 Trust-by-Design 的实践。它产生的不是一段“看起来像解释”的文字（幻觉重灾区），而是：
- 程序化透明度：每一条结果都有对应的 Python 代码和执行日志。
- 临床友好输出：系统会自动将 REPL 记录转化为符合放射科规范的 PDF 报告。
图 2：RVLM 自动生成的临床 PDF 指向：包含分割统计、执行数据及 AI 免责声明。
5. 局限性与展望
尽管 RVLM 在 Brain MRI 和 MIMIC-CXR 上表现卓越，但目前仍局限于 2D 切片。未来的演进方向包括：全体积 3D 递归导航（模型自主决定查看哪个层面）以及基于不确定性的递归触发（只有当模型“不确定”时才申请更多迭代预算）。
总结
RVLM 证明了医疗 AI 并不一定要在“精度”和“解释性”之间做选择。通过将视觉任务分解为可执行的递归步骤，我们既得到了 SOTA 的诊断深度，也得到了应对监管的可追溯证据链。