CBM-RAG：基于多智能体检索增强生成与概念瓶颈模型实现放射学报告生成中的可解释性提升
人工智能
2025-05-06 v2 计算机视觉与模式识别
信息检索
摘要
生成式人工智能的进展为自动化放射学工作流程提供了巨大潜力，但可解释性和可靠性的挑战仍阻碍了临床应用。本文提出了一种自动化放射学报告生成框架，将概念瓶颈模型（CBM）与多智能体检索增强生成（RAG）系统相结合，以弥合AI性能与临床可解释性之间的鸿沟。CBM将胸部X光特征映射到人类可理解的临床概念，从而实现透明的疾病分类。而RAG系统则通过多智能体协作和外部知识整合，生成富有上下文信息且基于证据的报告。我们的演示展示了该系统能够提供可解释的预测，有效缓解幻觉问题，并通过交互式界面生成高质量、个性化的报告，从而解决准确性、可信度和可用性挑战。该框架为提高诊断一致性并赋能放射科医生提供可操作性见解提供了一条途径。
引用
@article{arxiv.2504.20898,
title = {CBM-RAG: Demonstrating Enhanced Interpretability in Radiology Report Generation with Multi-Agent RAG and Concept Bottleneck Models},
author = {Hasan Md Tusfiqur Alam and Devansh Srivastav and Abdulrahman Mohamed Selim and Md Abdul Kadir and Md Moktadirul Hoque Shuvo and Daniel Sonntag},
journal= {arXiv preprint arXiv:2504.20898},
year = {2025}
}
备注
Accepted in the 17th ACM SIGCHI Symposium on Engineering Interactive Computing Systems (EICS 2025)