RANGER：面向病理报告生成的稀疏门控混合专家配合自适应检索重排序
计算机视觉与模式识别
2026-03-25 v1 人工智能
摘要
病理报告生成仍是一个相对未被充分探索的下游任务，主要由于全切片图像（WSI）的巨比例尺和复杂形态异质性。现有的病理报告生成框架通常采用 transformer 架构，依赖单一解码器架构和静态知识检索集成。此类架构限制了生成专门化，可能在报告生成过程中引入噪声外部指导。为此，我们提出 RANGER，一个稀疏门控混合专家（MoE）框架，配合自适应检索重排序，用于病理报告生成。具体而言，我们将稀疏门控 MoE 集成到解码器中，引入带有噪声 top-k 路由和负载平衡正则化，以实现在各种诊断模式下的动态专家专业化。此外，我们引入自适应检索重排序模块，从知识库中选择性地精炼检索记忆，以减少噪声并提升基于视觉特征表示的语义对齐。我们在 PathText-BRCA 数据集上进行大量实验，表明在所有标准自然语言生成指标上均优于现有方法。我们的完整 RANGER 模型在 PathText 数据集上取得最佳性能，BLEU-1 到 BLEU-4 分数分别为 0.4598、0.3044、0.2036 和 0.1435，METEOR 为 0.1883，ROUGE-L 为 0.3038，验证了动态专家路由和自适应知识精炼在语义导向病理报告生成中的有效性。
引用
@article{arxiv.2603.04348,
title = {RANGER: Sparsely-Gated Mixture-of-Experts with Adaptive Retrieval Re-ranking for Pathology Report Generation},
author = {Yixin Chen and Ziyu Su and Hikmat Khan and Muhammad Khalid Khan Niazi},
journal= {arXiv preprint arXiv:2603.04348},
year = {2026}
}