CheXalign：基于偏好微调的胸部X光解读模型，无需人类反馈
计算机视觉与模式识别
2025-08-05 v3 计算与语言
摘要
放射科医生在将医学影像转化为可操作报告方面发挥着关键作用。然而，该领域面临人员短缺和工作量不断增加的挑战。虽然使用视觉语言模型（VLM）的自动化方法作为助理显示出巨大的潜力，但它们需要极高的准确性。目前大多数放射学领域的VLM仅依赖监督式微调。而在一般领域，后训练管道中的额外偏好微调已成为标准实践。在放射学中，获取大规模放射科医生反馈的成本极高，这构成了挑战。为此，我们提出了一种针对胸部X光放射学报告生成（RRG）任务的自动化偏好反馈管道。具体而言，我们的方法利用包含图像与放射科医生编写的参考报告及参考基准指标（Judge）的数据集，无需额外的放射科医生反馈。我们在此设置下研究了长度利用导致的奖励过优化问题，并引入了长度控制版本的GREEN评分。我们的表现最佳的配置在MIMIC-CXR数据集上实现了RRG任务的领先CheXbert分数，同时在六个额外的图像感知与推理任务中保持稳健的平均性能。
引用
@article{arxiv.2410.07025,
title = {CheXalign: Preference fine-tuning in chest X-ray interpretation models without human feedback},
author = {Dennis Hein and Zhihong Chen and Sophie Ostmeier and Justin Xu and Maya Varma and Eduardo Pontes Reis and Arne Edward Michalson and Christian Bluethgen and Hyun Joo Shin and Curtis Langlotz and Akshay S Chaudhari},
journal= {arXiv preprint arXiv:2410.07025},
year = {2025}
}
备注
ACL 2025