一、文章主要内容总结本文针对Birt-Hogg-Dubé综合征（BHD）诊断面临的挑战，提出了一种多模态检索增强生成框架BHD-RAG，核心内容如下：研究背景：BHD是一种常染色体显性遗传疾病，需通过胸部CT扫描识别囊性病变和气胸确诊，但它与淋巴管平滑肌瘤病（LAM）、肺朗格汉斯细胞组织细胞增生症（PLCH）、淋巴细胞性间质性肺炎（LIP）等弥漫性囊性肺病（DCLDs）影像学特征相似，且临床样本稀缺，导致传统深度学习方法诊断精度有限；多模态大语言模型（MLLMs）虽在少样本场景有潜力，但存在领域知识缺失和幻觉风险，影响诊断可靠性。框架设计：构建DCLD-Corpus：将CT扫描切片按冠状、矢状、横向分割，保留含病变的异常切片，通过GPT-4-turbo生成初步影像描述，经医学专家修正后，形成多视角、细粒度的影像-描述配对语料库，补充DCLDs领域知识。余弦空间相似度检索器：采用基于相似度的度量学习范式，引入CosFace损失扩大BHD与非BHD类别的角度间隔，精准检索语料库中与查询CT切片最相关的top-k影像-描述对。检索增强生成模块：将检索到的相关配对与专家 curated 的DCLDs专业知识结合，输入MLLM（如GPT-4-turbo、GPT-4o），生成基于证据的诊断结果和影像特征描述。实验结果：在包含4类DCLDs（50例BHD、18例LAM、7例PLCH、22例LIP）的97例患者CT数据集上验证，BHD-RAG（搭配