LLaMA-XR：一种基于 LLaMA 与 QLoRA 微调的放射学报告生成新框架
图像与视频处理
2026-05-20 v2 人工智能
计算机视觉与模式识别
摘要
自动放射学报告生成具有减轻放射科医师工作负荷和提高诊断准确性的巨大潜力。然而，由于医学语言的复杂性以及对上下文理解的需求，从胸部X光片中生成精确且具有临床意义的报告仍具挑战性。现有模型通常难以同时保持准确性与上下文相关性。本文提出 LLaMA-XR，一种将 LLaMA 3.1 与基于 DenseNet-121 的图像嵌入及量化低秩微调（QLoRA）相集成的新框架。LLaMA-XR 在保持计算效率的同时，实现了更好的连贯性与临床准确性。这种效率源于一种优化策略，该策略提高了参数利用率并降低了内存开销，从而能够以更低的计算资源需求更快地生成报告。在 IU X-ray 基准数据集上进行的大量实验表明，LLaMA-XR 优于多种最先进的方法。该模型取得了 0.433 的 ROUGE-L 分数和 0.336 的 METEOR 分数，在该领域确立了新的性能基准。这些结果突显了 LLaMA-XR 作为有效且高效的自动放射学报告 AI 系统的潜力，提供了增强的临床实用性和可靠性。
引用
@article{arxiv.2506.03178,
title = {LLaMA-XR: A Novel Framework for Radiology Report Generation using LLaMA and QLoRA Fine Tuning},
author = {Md. Zihad Bin Jahangir and Muhammad Ashad Kabir and Sumaiya Akter and Israt Jahan and Minh Chau},
journal= {arXiv preprint arXiv:2506.03178},
year = {2026}
}
备注
25 pages