通过语义解耦潜在引导抑制放射术报告生成中的先验比较幻觉
计算机视觉与模式识别
2026-03-02 v1
摘要
使用视觉语言模型（VLM）自动生成放射术报告受限于先验比较幻觉风险，即模型生成不受当前检查支持的历史发现。我们提出一种训练自由、推理时控制框架，称为Semantically Decoupled Latent Steering（SDLS）。不同于通用的激活引导，后者常常受制于语义耦合，我们的方法通过大型语言模型（LLM）驱动的语义分解 followed by QR基于正交化构建语义自由的干预向量。这一正交化步骤至关重要。它利用几何约束过滤出标准主成分分析（PCA）方向中常嵌入的临床语义，确保引导向量仅针对“历史比较”轴进行目标化。我们在BiomedGPT基础模型上进行验证，表明该方法克服了幻觉抑制与临床准确性之间的权衡。在MIMIC-CXR、CheXpert Plus和IU-Xray上的广泛实验表明该方法具有稳健性。MIMIC-CXR上的定量评估显示，该方法显著降低了历史幻觉概率（FilBERT得分从0.2373降至0.1889），并提升了临床标签忠诚度（CheXpert macro-F1从0.2242提升至0.3208）。补充评估确认临床叙事的结构完整性得以维持。
引用
@article{arxiv.2602.23676,
title = {Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering},
author = {Ao Li and Rui Liu and Mingjie Li and Sheng Liu and Lei Wang and Xiaodan Liang and Lina Yao and Xiaojun Chang and Lei Xing},
journal= {arXiv preprint arXiv:2602.23676},
year = {2026}
}
备注
15 pages, 5 figures