以事实且高效的 CXR 报告生成革新放射学工作流
计算机视觉与模式识别
2025-06-03 v1
摘要
对医学影像解读不断增长的需求，凸显了先进人工智能解决方案在提高放射诊断效率和准确性方面的迫切需求。本文介绍了 CXR-PathFinder，一种专门为自动化胸片 (CXR) 报告生成而设计的新型以大型语言模型 (LLM) 为中心的基础模型。我们提出了一种独特的训练范式——临床医生引导的对抗微调 (CGAFT)，它将专家临床反馈细致地整合到对抗学习框架中，以缓解事实不一致性并提高诊断精度。作为补充，我们的知识图谱增强模块 (KGAM) 作为推理时的保障，根据权威知识库动态验证生成的医学陈述，以最大程度减少幻觉并确保术语的标准化。利用包含数百万配对 CXR 图像和专家报告的庞大数据集，我们的实验表明，CXR-PathFinder 在包括临床准确性（Macro F1 (14): 46.5, Micro F1 (14): 59.5）在内的各项定量指标上均显著优于现有的 SOTA 医学视觉-语言模型。此外，由委员会认证的放射科医生进行的盲法人类评估证实了 CXR-PathFinder 在临床实用性、完整性和准确性方面的优越性，确立了其作为放射学实践可靠且高效辅助工具的潜力。所开发的方法有效平衡了高诊断保真度与计算效率，为自动化医学报告生成提供了稳健的解决方案。
引用
@article{arxiv.2506.01118,
title = {Revolutionizing Radiology Workflow with Factual and Efficient CXR Report Generation},
author = {Pimchanok Sukjai and Apiradee Boonmee},
journal= {arXiv preprint arXiv:2506.01118},
year = {2025}
}