像放射科学家一样思考：链式思维与强化学习用于可验证报告生成
人工智能
2026-03-03 v2 计算与语言
摘要
放射报告生成对于提高效率至关重要，但当前模型缺乏专家式的结构化推理，阻碍了临床信任和可解释性，因无法将视觉发现与精确解剖位置关联。本文引入BoxMed-RL，一个为生成可进行空间验证和可解释放射报告的统一训练框架。基于大型视觉语言模型，BoxMed-RL通过两个集成阶段革新了报告生成：（1）在预训练阶段，我们通过医学概念学习对模型进行细化，使用链式思维监督帮助模型内化放射科学家式的工作流程，随后应用空间可验证强化学习，将医学发现与边界框对齐。（2）在下游适配器阶段，我们冻结预训练权重并训练下游适配器以确保流畅且临床可信的报告。该框架精确模拟放射科学家的工作流程，迫使模型将高层医学概念与明确的解剖证据关联。大量实验表明，BoxMed-RL在公共数据集上实现了比当前最先进方法平均提升7%的METEOR和ROUGE-L指标。基于大型语言模型的指标平均提升5%进一步彰显了BoxMed-RL在生成高质量放射报告方面的稳健性。
引用
@article{arxiv.2504.18453,
title = {Reason Like a Radiologist: Chain-of-Thought and Reinforcement Learning for Verifiable Report Generation},
author = {Peiyuan Jing and Kinhei Lee and Zhenxuan Zhang and Huichi Zhou and Zhengqing Yuan and Zhifan Gao and Lei Zhu and Giorgos Papanastasiou and Yingying Fang and Guang Yang},
journal= {arXiv preprint arXiv:2504.18453},
year = {2026}
}