放射学报告生成的多模态多智能体强化学习
计算机视觉与模式识别
2026-05-11 v2 人工智能
机器学习
摘要
我们提出MARL-Rad，一个用于放射学报告生成的多模态多智能体强化学习框架，该框架在所部署的放射学工作流程中对整个智能体系统进行策略训练。MARL-Rad解决了后续智能体化的局限性，即固定的大语言模型被组织成手工设计的智能体工作流程，而未针其分配给的角色进行优化。我们的框架将胸部X光解读分解为区域特定智能体和全局集成智能体，并使用可临床验证的奖励进行联合优化。在MIMIC-CXR和IU X-ray数据集上的实验表明，MARL-Rad在RadGraph、CheXbert和GREEN等临床效果指标上均实现了一致的改进，达到了该领域最新的临床效果性能。进一步分析表明，MARL-Rad改进了后侧性一致性，生成的报告更加准确和详尽。盲审临床评估进一步表明，MARL-Rad生成的报告在临床上与真实报告相当。
引用
@article{arxiv.2603.16876,
title = {Multi-Modal Multi-Agent Reinforcement Learning for Radiology Report Generation},
author = {Kaito Baba and Risa Kishikawa and Satoshi Kodera},
journal= {arXiv preprint arXiv:2603.16876},
year = {2026}
}
备注
23 pages, 4 figures