面向自主分诊的多模态贝叶斯网络鲁棒性评估
计算与语言
2025-12-23 v1
摘要
大规模伤亡事件会压垫急救医疗系统，导致对伤员评估存在延迟或错误，从而可能造成不可逆的死亡。我们提出了一个决策支持框架，将来自多个计算机视觉模型的输出融合，其中估计了严重出血、呼吸窘迫、意识恢复或可见创伤的症状，构建为完全基于专家定义规则的贝叶斯网络。与传统数据驱动模型不同，本方法不需要训练数据，支持不完整信息的推理，并且对噪声或不确定的观察具有鲁棒性。我们报告了两个任务中（分别涉及11名和9名伤员）的性能，在DARPA Triage Challenge(DTC)现场场景中的评估期间，我们的贝叶斯网络模型在视觉模型之外显著优于基线方法。生理学评估的准确率从15%提高到42%，第二个情景从19%提高到46%，性能提升近三倍。更重要的是，整体分诊准确率从14%提高到53%，而系统的诊断覆盖率从31%扩展到95%。这些结果表明，专家知识导向的概率推理显著增强了自动化分诊系统，为支持紧急响应人员在大规模伤亡事件中的评估提供了有前景的方案。该方法使Team Chiron在DTC第一次实体赛中获得11支队伍中的第4名。
引用
@article{arxiv.2512.18906,
title = {Remedy-R: Generative Reasoning for Machine Translation Evaluation without Error Annotations},
author = {Shaomu Tan and Ryosuke Mitani and Ritvik Choudhary and Qiyu Wu and Toshiyuki Sekiya and Christof Monz},
journal= {arXiv preprint arXiv:2512.18906},
year = {2025}
}