动态决策学习：稀有疾病异常定位的测试时演化
计算与语言
2026-04-29 v1
摘要
临床异常定位在稀有疾病方面常因数据稀缺而难以进行监督式微调，单次推理也高度不稳定。我们提出动态决策学习（Dynamic Decision Learning，DDL），一种框架，使冻结的大型视觉语言模型（LVLMs）能够通过优化指令并在视觉扰动下整合预测，在语言与视觉空间之间细化决策。该过程提高了局部化质量，并产生基于共识的可靠性评分，以量化模型置信度。在脑部影像基准测试中 including 一个涵盖 281 种病理类型的稀有疾病数据集，模型参数规模从 3B 到 72B 不等，实验表明 DDL 在稀有疾病案例中可使 mAP@75 提升最高可达 105%，并优于自适应基线和监督式微调。此外，DDL 在严重分布迁移和任务难度增加的情况下，显示出更强的可靠性评分与局部化准确度之间的校准能力。代码已公开：https://lijunrio.github.io/DDL/
引用
@article{arxiv.2604.24972,
title = {Dynamic Decision Learning: Test-Time Evolution for Abnormality Grounding in Rare Diseases},
author = {Jun Li and Mingxuan Liu and Jiazhen Pan and Che Liu and Wenjia Bai and Cosmin I. Bercea and Julia A. Schnabel},
journal= {arXiv preprint arXiv:2604.24972},
year = {2026}
}