面向准确与可解释性的放射术报告生成诊断链框架
计算机视觉与模式识别
2025-08-14 v1
摘要
尽管放射术报告生成（RRG）取得了进展，现有方法仍面临两个挑战：1）临床效果不佳，尤其在描述病灶属性时；2）生成文本缺乏可解释性，使放射科医生难以信任结果。为此，我们聚焦于一个可信的RRG模型，不仅生成不正常情况的准确描述，还提供预测依据。为此，我们提出一种诊断链（chain of diagnosis, CoD）框架，为临床准确且可解释的RRG维护诊断链。它首先通过诊断对话生成问答（QA）对，以提取关键发现，然后将QA诊断输入大型语言模型以实现准确生成。为增强可解释性，设计了诊断 grounding 模块，将QA诊断与生成句子匹配，其中诊断作为参考。此外，设计了病灶 grounding 模块以定位图像中的异常，进一步提升放射科医生的工作效率。为实现标签高效训练，我们提出一种临床一致性的全监督学习策略，以利用来自不同数据集的各种类型注释。我们的工作导致：1）一个包含QA对和病灶框的全标记RRG数据集；2）一个用于评估报告描述病灶位置和严重程度准确性的评估工具；3）大量实验表明CoD在两个RRG基准测试中 consistently优于专家和通用模型，并通过准确将生成句子 grounding到QA诊断和图像上，展现出有前景的可解释性。
关键词
引用
@article{arxiv.2508.09566,
title = {A Chain of Diagnosis Framework for Accurate and Explainable Radiology Report Generation},
author = {Haibo Jin and Haoxuan Che and Sunan He and Hao Chen},
journal= {arXiv preprint arXiv:2508.09566},
year = {2025}
}
备注
Accepted to IEEE TMI