当前胸部X光片（CXR）病灶分割模型的应用受限于目标标注类别数量较少，以及对冗长、详细的专家级文本输入的依赖，这在很大程度上阻碍了其实际应用。为解决上述局限，我们提出一种新范式——指令引导的病灶分割（Instruction-guided Lesion Segmentation, ILS），该范式旨在基于简洁、用户友好的指令，实现对多种病灶类型的精准分割。在此范式下，我们构建了MIMIC-ILS，这是首个面向CXR病灶分割的大规模指令-答案数据集。该数据集通过我们完全自动化的多模态流水线生成，能够从胸部X光图像及其对应的放射学报告中自动生成标注。MIMIC-ILS包含110万条指令-答案对，源自19.2万张图像和9.1万张独特的分割掩码，覆盖七类主要病灶类型。为实证其有效性，我们提出了ROSA-LIA，一个在MIMIC-ILS数据集上微调的视觉-语言模型。ROSA-LIA能够根据用户指令分割多种病灶，并提供相应的文本解释。在我们新提出的任务中，该模型表现出优异的分割精度与文本生成准确性，充分验证了我们数据生成流水线的有效性，也凸显了MIMIC-ILS作为像素级CXR病灶定位基础资源的重要价值。