RADIANT-PET 是一个面向 PET/CT 病灶分割的推理增强框架，由 Jiasheng Wang 等四位作者完成，于 2026 年 6 月 23 日提交至 arXiv，编号为 arXiv:2606.28392v1，归类于计算机视觉与模式识别（cs.CV），同时涉及人工智能（cs.AI）与机器学习（cs.LG）两个交叉方向。论文指出，PET/CT 上的准确病灶分割对肿瘤学诊疗至关重要，但生理性示踪剂摄取以及各类成像伪影常常在视觉上模拟恶性信号，使自动分割极易产生假阳性，这也是该任务长期难以攻克的核心原因。
针对这一难点，作者提出的 RADIANT-PET 并非单纯改进像素级分割网络，而是将高灵敏度的体素级分割模型与病灶级的大语言模型（LLM）裁决机制相结合，形成一种“先宽松召回、后逐病灶推理判定”的两阶段思路。具体而言，系统首先使用一个刻意放宽阈值的分割阶段生成候选摄取区域，以尽量不漏掉潜在病灶；随后将这些候选区域转换为结构化的文本描述，内容涵盖摄取强度、形态学特征，以及局部与整体的解剖学上下文信息，使语言模型能够在可读的语义层面理解每一个候选区域。
在候选区域被文本化之后，LLM 负责将每个候选判定为真实病灶或假阳性，并可选地引入放射科报告作为额外的临床上下文。作者强调，这种病灶级推理为传统分割流程增加了一层全新的判断能力，能够在体素预测之外抑制生理性假阳性，并使分割结果更贴近临床医生的解读逻辑。为强化病灶级推理能力，研究团队进一步使用组相对策略优化（Group Relative Policy Optimization）对本地 LLM 进行强化学习优化，奖励信号同时考虑病灶分类是否正确以及解剖部位归属是否与解剖结构相一致。
实验方面，RADIANT-PET 在 AutoPET 数据集以及俄亥俄州立大学（OSU）测试队列上均进行了评估，结果一致优于强力的纯图像基线方法；其中提升幅度最大出现在提供放射科报告的场景，说明临床文本上下文对病灶级裁决具有显著增益。作者总结认为，基于 LLM 的病灶级推理在常规分割之上补充了新的推理层，既压制了生理性假阳性，又让体素级预测与临床解释更加对齐。论文项目代码已在 GitHub 上公开，仓库地址为 https://github.com/jwang-580/RADIANT-PET，供社区复现与后续研究使用。