RadHiera：医学报告生成的语义分层强化学习
人工智能
2026-03-24 v2
摘要
视觉语言模型在放射学报告生成方面显示出前景，但大多数现有方法以平面文本生成报告，未显式建模Findings与Impression章节之间的语义依赖关系，可能导致临床观察与诊断结论之间不一致。本文提出RadHiera，一个用于放射学报告生成的语义分层强化学习框架。RadHiera遵循放射学报告的语义组织，首先优化整个报告的质量，然后改进Impression章节的诊断准确性，最后确保Findings与Impression之间的一致性，以使诊断结论得到临床证据的支持。具体而言，我们首先采用结合语言质量和医学事实性的基础奖励，对整个报告提供监督。在此基础上，我们引入针对Impression章节的严重性感知奖励，强调涉及临床关键条件的错误，从而减少漏诊和夸大报告。我们进一步通过基于Expert Model推导的标签集实施跨章节一致性，使用子集约束和幻觉惩罚确保Impression忠于Findings。在三个公开胸腔X光基准数据集上进行的实验表明，RadHiera在诊断准确性和章节间一致性方面持续优于最先进的方法，同时在超声报告生成中也表现出良好的适应性。
引用
@article{arxiv.2511.10065,
title = {RadHiera: Semantic Hierarchical Reinforcement Learning for Medical Report Generation},
author = {Bodong Du and Honglong Yang and Xiaomeng Li},
journal= {arXiv preprint arXiv:2511.10065},
year = {2026}
}