BrainTRACE 评的是证据链而非答案
脑 MRI 解读是一个纵向推理问题：放射科医生需要比较多次检查、整合不同 MRI 序列的发现、在体积解剖中定位病灶，并将这些证据转化为基于报告的评估。BrainTRACE 的设计目标是检验视觉语言模型能否追踪这一证据结构，而不是对单张图像给出流畅描述。
该基准包含 7,273 个计分 VQA 实例，来自 1,778 名纵向患者、7,299 次 MRI 检查和约 29k 个配准的 3D MRI 序列体积。由于题目依据基于报告的参考进行评分，听起来合理的答案并不自动等于正确答案；该基准旨在暴露支撑临床有效性的证据链中的失败。
五个推理层级交叉四类证据要求
BrainTRACE 按回答问题所需的临床推理深度组织题目，而不是把它们当作可互换的视觉识别任务。L1 覆盖图像与采集识别，如序列、平面、侧别、局灶异常和简短图像描述。L2 覆盖解剖定位与单次检查的发现识别，包括病灶计数、大小或体积分类、信号与强化特征、形态和不对称性。L3 覆盖疾病特异性解读与间期变化，如大小变化、新发病灶、消退、强化演变、占位效应变化、间期总结和体积变化。L4 覆盖纵向轨迹或定量变化，包括进展模式、首次出现、峰值时间点、叙述性轨迹、反应类别和序列体积变化。L5 覆盖病例层面与整合性临床判断，包括印象生成、疾病状态评估、对比总结和带支持证据的鉴别诊断。
与之正交，该基准还标注了证据要求：纵向比较、基于报告的参考、多序列整合和体积空间证据。这种双轴设计很重要，因为一个模型可能通过某道识别题，但当同一临床目标要求序列比较或报告依据时就会失败。
二十种配置，一次作答，不泄露参考
评估覆盖 20 种模型配置：开放权重通用 VLM、开放权重医学 VLM、闭源前沿 VLM，以及可用的原生体积医学基线。所有模型均以零样本方式评估，只使用允许模型看到的视觉证据、问题、答案格式和允许的非泄露元数据。报告、分割掩膜、解析后的发现、测量值和隐藏参考字段从不展示。
每个模型对每道题只有一次作答机会，格式错误的输出、拒答和弃答都保留在分母中。对于 3D 证据题，通用 VLM 使用已发布的渲染输入，而原生体积医学基线使用其支持的体积输入接口。这意味着 3D 证据结果比较的是在共享临床目标上各自支持的接口，而不是把原生体积表征作为受控变量单独分离，因此不应把 3D 比较读作对体积表征本身的干净检验。
局部识别很少能组合成纵向综合
核心结果并不只是当前 VLM 得分低。论文报告称，当前系统能够识别孤立的视觉线索，但很少能将其组合成有依据的纵向解读。用作者的话说，它们的成功无法组合：局部识别很少能贯穿纵向、基于报告的临床综合。
这一区分改变了读者解读任何单个高分的方式。一个模型若能在某次检查中正确说出序列或定位病灶，只证明了一种局部能力，并不等于能追踪该发现在不同序列中如何呈现、在多次检查中如何变化，或如何支撑病例层面的印象。该基准的层级结构正是让这种分离变得可见。
仅靠体积输入无法弥合差距
BrainTRACE 支持与标准 VLM 接口兼容的渲染输入、一个 3D 证据条件，以及一条分解式病例推理轨道，用于审查纵向证据链中的六个步骤。局部识别与有依据的纵向解读之间的差距，在当前 3D 证据和原生体积接口下依然存在。
作者将此解读为：若没有更强的多序列、时间与证据依据推理，仅靠体积输入并不足够。由于 3D 比较使用的是各基线自身支持的接口，而非受控的原生体积变量，可辩护的解读是：加入体积输入本身并未产生缺失的纵向组合能力。
队列广度支撑基准但不代表患病率
保留队列并未局限于单一人群或采集切片。患者层面的人口学数据显示年龄覆盖广、性别分布均衡（女性 54.6%，男性 45.4%）。随访深度可观：28.4% 的患者间隔 3-12 个月，23.4% 为 1-2 年，29.4% 为 2-5 年，15.2% 为 5 年及以上，3.6% 不足 3 个月。多数患者有三次检查（55.2%），其次为四次（19.7%）、五次（9.6%）和六次及以上（15.5%）。
序列可得性在 T1w（100.0%）、T2w（99.8%）、FLAIR（98.8%）和 SWI（91.5%）上较高，而 MRA 仅出现在 0.8% 的患者中。检查层面的采集元数据涵盖 Philips（52.3%）、Siemens（43.0%）和 GE（4.8%），其中 51.6% 为 3.0T，48.5% 为 1.5T。论文指出这些百分比描述的是保留队列的广度而非人群患病率，因此不应将其读作流行病学数据。
看层级间的转折，而非总分
对于比较脑 MRI VLM 的读者，本文中最具决策相关性的信号是性能在五个推理层级和四类证据要求之间何处出现断裂，而不是某个单一总分。一个在 L1 和 L2 上表现良好、但在 L3 到 L5 上退化的模型，只展示了识别能力，而缺少 BrainTRACE 旨在检验的纵向、基于报告的组合能力。
分解式病例推理轨道审查纵向证据链中的六个步骤，是论文中回答该问题最有用的工具，因为它能定位是哪一步失败，而不只是报告最终答案错误。基准规范、评估列表、计分实现、评分量规和审查记录格式均已发布以支持可复现进展，因此未来的比较可以在相同的层级和证据要求粒度上进行。
本文引用的文献
BrainTRACE: Tracing Longitudinal, Multimodal, and Volumetric Evidence in Brain MRI Clinical Reasoning
BrainTRACE 评估 VLM 能否追踪纵向脑 MRI 解读所需的证据结构；在 20 种配置中，当前系统能识别孤立的视觉线索，但很少能将其组合成有依据的纵向解读，这一差距在 3D 证据和原生体积接口下依然存在。