多模态大语言模型的进展正在把放射学AI从单一图像分析推向多模态理解与推理。但体积放射学存在根本的表征不匹配：临床解读需要完整体积的空间上下文和与采集相关的定量信息，而现有MLLM通常只基于选取的二维图像、压缩的视觉表示或报告文本。
因此可靠的体积放射学AI必须保留任务相关的三维信息，并且系统能够在临床工作流中访问、验证并融合这些信息。本文综述截至2026年7月的200余篇文献，围绕模型层面的体积表征与多模态理解、系统层面的智能体编排以及与临床应用和评估的关联进行组织。
重点回顾了体积基础模型、语言对齐与压缩策略，以及通过规划、工具、记忆和工作流交互扩展MLLM的智能体系统。我们区分了仅需二维视图或报告推理的情形与必须原生体积建模的情形。
另外提出了“Claim‑Design‑Validation”框架，用以判断技术、工作流和临床声明是否得到相匹配的设计与验证。文献显示，原生体积建模和智能体能力取决于任务的空间、定量、上下文和工作流需求。
临床可信度要求忠实的体积表征、可追溯的系统行为、与声明相符的验证以及在真实工作流中的明确人工监督。体积可以用 $V = \int_{z} A(z) dz$ 表示。
博主点评：该综述系统地梳理了体积放射学AI的技术路线，为研究者提供了明确的模型与系统选型指引，也提醒大家在实际部署时必须严格对齐声明与验证，避免“黑箱”风险。