CCS：面向放射术报告生成的临床共识选择

放射术报告生成 (RRG) 通常被形式化为单路径生成任务，其中多模态大语言模型 (MLLM) 作为最终输出产生一个解码报告。尽管最近的进展主要来自扩大训练数据、模型容量和检索机制，但在推理阶段提高报告质量仍受到较少关注。本文中，我们观察到固定的放射术 MLLM 常常在其候选池中生成其他位置更强的临床报告，而非默认解码选择的报告，这表明推理时的决策-making 仍是一个被忽视的瓶颈。为此，我们提出了临床共识选择 (CCS)，这是一种解码器无关的推理时选择框架，对多个候选报告进行采样，并选择其在 rollout 池中具有最高临床共识的报告。CCS 将文本基准工具与放射术适配的实用工具统一起来，这一实用工具由在图像-报告上训练的多模态嵌入器计算，用于衡量候选报告超越表面级文本相似性的一致性。在三个数据集和多个放射术 MLLM 上，CCS 在单路径解码和通用 Best-of-N 基准上均实现了推理时性能的提升，尤其在临床指标上显示出明显的提升。进一步分析表明，图像 grounding 实用工具形成的选择轴与文本共识不同，并且在提高 RRG 推理时仍有显著的潜在空间。