arXiv 于 2026 年 5 月 17 日发布了编号 2605.23992 的预印本论文《A World Model of Radiologist Reading for Medical Image Representation Learning》（面向医学影像表征学习的放射科医生阅片世界模型），由 Yiwei Li 与另外 7 位作者共同完成，论文属于计算机视觉与模式识别（cs.CV）方向，同时被标注为人工智能（cs.AI）相关。版本 v1 于 UTC 时间 2026 年 5 月 17 日 22:30:29 提交，全文文件约 8,920 KB，并提供 PDF、实验性 HTML 以及 TeX 源码等多种获取形式。
研究动机来自放射科医生的眼动追踪数据。这类数据记录了专家在阅片过程中如何搜索、比较并逐步累积证据，信息量十分丰富。然而作者指出，现有方法对这一信号只做了部分利用：要么把它当作静态的空间先验，要么把它当作与诊断任务分离的辅助预测目标，未能把阅片路径本身纳入表征学习。
为此，作者提出 GazeWorld，这是一种医学影像世界模型。其核心思路是把图像视为“世界”，把放射科医生的注视序列视为在这个世界中穿行的一条轨迹。模型以自回归方式，根据此前所有已访问过的图像块，预测下一个被注视图像块的潜在表征；与此同时，一个空间补全分支负责覆盖尚未被访问的区域，使模型对整幅图像形成完整理解。值得注意的是，在推理阶段，GazeWorld 仅凭图像本身就能生成一串图像块表征，无需真实的眼动数据，这使其具备实际部署的可行性。
在实验方面，作者使用冻结的 GazeWorld 特征进行评估。在 CheXpert、RSNA Pneumonia 和 SIIM-ACR Pneumothorax 三个基准上，该特征在全部九种监督设置下均取得当前最优的诊断准确率，并在三个基准上同时取得最高的零样本准确率。此外，在 GazeSearch 基准上，一个基于相同冻结特征训练的通用解码器，尽管并未被显式训练去预测注视点，其表现仍大幅超越专门为此设计的 LogitGaze-Med：ScanMatch 指标高出 16% 以上，SED 指标高出 22%。
论文由此得出结论：建模专家“如何阅读”，而不仅仅是“得出什么结论”，为医学影像人工智能提供了一种颇具前景的预训练范式。作者信息、引用方式（arXiv:2605.23992v1 [cs.CV]，DOI 待 DataCite 注册）以及提交历史均可在 arXiv 页面查询。