文章主要内容总结本文聚焦多模态大型语言模型（MLLMs）中图像与文本的不确定性传播问题，尤其结合心脏磁共振（cardiac MR）相关临床应用展开研究。研究背景指出，MLLMs虽能整合文本、图像等多模态信息并在临床决策等任务中表现优异，但输入模态间的相互关系、单模态数据的不确定性及其在临床应用中的分解尚未被充分理解。为此，作者提出多模态不确定性传播模型（MUPM），旨在量化图像-only、文本-only及联合图像-文本输入的不确定性之间的关系，包括图像与文本输入的相关性。通过心脏MR扫描和数字健康记录等真实临床数据，研究表明：MUPM仅需少量样本即可稳健优化，且在不同输入数据分布和下游任务中具有可推广性（这可能源于MLLMs共享的预训练、较轻的微调及MUPM的低维特性）。此外，实验验证了MUPM的实用价值，包括高效估计整体不确定性、识别冗余因素等，为心脏疾病预测等临床应用提供了可靠的不确定性分析工具。文章创新点数学建模：推导出量化图像-only不确定性、文本-only不确定性、图像与文本的相关性及整体不确定性之间关系的数学表达式。模型拟合优化：通过拟合MUPM而非直接计算导数，解决了MLLMs复杂非线性结构导致的导数计算不稳定问题，提升了模型的稳定性和可推广性。临床应用拓展：提出MUPM在心脏疾病预测中的四个新应用，包括跨数据分布和任务的鲁棒性分析、高效估计整体不确定性、识别冗余因素等。实验验证