Infection-Reasoner：一种用于伤口感染分类的紧凑视觉语言模型，具备基于证据的临床推理
计算机视觉与模式识别
2026-04-23 v1 人工智能
摘要
从照片中评估慢性伤口感染具有挑战性，因为视觉外观因伤口病因、解剖位置和成像条件而异。尽管需要基于证据的解释来支持即时决策，但先前基于图像的深度学习方法主要集中在可解释性有限的分类上。我们提出了Infection-Reasoner，一种用于慢性伤口感染分类和理由生成的紧凑型4B参数推理视觉语言模型。为了解决带有推理注释的专家标注伤口图像稀缺的问题，Infection-Reasoner使用两阶段流程进行训练：(1) 推理蒸馏，其中GPT-5.1为未标注的伤口图像生成思维链理由，以在较小的学生模型(Qwen3-VL-4B-Thinking)中初始化特定于伤口的推理；(2) 在小型标注感染数据集上使用群体相对策略优化进行强化学习后训练，以精炼分类推理。在留出的异构伤口数据集上，Infection-Reasoner达到了86.8%的准确率、86.4%的敏感性和87.1%的特异性，优于包括GPT-5.1在内的多个强基线。还使用多模态大型语言模型(MLLM)评判器和伤口专家审查进一步评估了理由质量。在四个MLLM评判器中，视觉支持一致性得分从0.722到0.903不等，而专家审查将61.8%的理由评为正确，32.4%评为部分正确。
引用
@article{arxiv.2604.19937,
title = {Infection-Reasoner: A Compact Vision-Language Model for Wound Infection Classification with Evidence-Grounded Clinical Reasoning},
author = {Palawat Busaranuvong and Reza Saadati Fard and Emmanuel Agu and Deepak Kumar and Shefalika Gautam and Bengisu Tulu and Diane Strong},
journal= {arXiv preprint arXiv:2604.19937},
year = {2026}
}