CardioCoT：用于多模态生存分析的分层推理
人工智能
2025-05-27 v1 计算机视觉与模式识别
摘要
基于术后心脏 MRI 及相关临床记录，准确预测急性心肌梗死患者的主要不良心血管事件复发风险，对于精准治疗和个性化干预至关重要。现有方法主要关注风险分层能力，而忽略了临床实践中对中间稳健推理和模型可解释性的需求。此外，由于数据限制和建模复杂性，使用 LLM/VLM 进行端到端风险预测面临重大挑战。为了弥补这一差距，我们提出了 CardioCoT，一种新颖的两阶段分层推理增强生存分析框架，旨在同时增强模型的可解释性和预测性能。在第一阶段，我们采用证据增强的自精炼机制，引导 LLM/VLM 根据相关的放射学发现生成稳健的分层推理轨迹。在第二阶段，我们将推理轨迹与影像数据相结合，用于风险模型训练和预测。CardioCoT 在 MACE 复发风险预测中展现出卓越的性能，同时提供了可解释的推理过程，为临床决策提供了有价值的见解。
引用
@article{arxiv.2505.19195,
title = {CardioCoT: Hierarchical Reasoning for Multimodal Survival Analysis},
author = {Shaohao Rui and Haoyang Su and Jinyi Xiang and Lian-Ming Wu and Xiaosong Wang},
journal= {arXiv preprint arXiv:2505.19195},
year = {2025}
}