基于单步块扩散的高效胸部 X 光报告生成

胸部 X 光报告生成（CXR-RG）具有显著缓解放射科医生工作负担的潜力。然而，传统的自回归视觉-语言模型（VLM）因顺序 token 解码而存在高推理延迟。基于并行生成的扩散模型提供了有前景的替代方案，但仍需多次去噪迭代。将多步去噪压缩为单步可进一步降低延迟，但通常因 token-因子化去噪器引入的均场偏置而导致文本连贯性下降。为此，我们提出了 \textbf{ECHO}，一种高效基于扩散的 VLM（dVLM）用于胸部 X 光报告生成。ECHO 通过一种新颖的直接条件蒸馏（DCD）框架实现单块-一步推理，从而缓解均场限制，通过构建来自 on-policy 扩散轨迹的非因子化监督来编码联合 token 依赖性。此外，我们引入 Response-Asymmetric Diffusion（RAD）训练策略，进一步提高训练效率，同时保持模型有效性。广泛实验表明，ECHO 超越了最先进的自回归方法，使 RaTE 和 SemScore 分别提高了 \textbf{64.33\%} 和 \textbf{60.58\%}，同时实现了最高 \textbf{$8\times$} 推理加速，临床准确性几乎不受影响。