最近の視覚と言語モデル（VLM）の進展は、多様なモーダル推論を実現しているが、医療分野では主に2D画像に限られている。本研究では、3D陽電子放出断層撮影（PET）およびコンピュータ断層撮影（CT）にVLMを拡張する。大規模なデータセットを構築し、11,000を超える病変レベルの記述と5,000を超えるPET/CT検査からの3Dセグメンテーションをペアにしている。PETAR-4Bという3Dマスク認識視覚言語モデルを提案し、PET、CT、および病変の輪郭を統合して報告書を生成する。このモデルは、グローバルな文脈推論と細かな病変の認識を橋渡しし、臨床的に一貫性のある局所的な発見を生み出す。PETARは、PET/CTの報告生成の質を大幅に向上させ、3D医療視覚と言語理解を進展させることが示されている。