SURE-Med：面向医学报告生成的系统性不确定性降低方法

自动化医学报告生成（MRG）具有巨大的潜力，可减轻放射科医生的沉重工作负担。然而，其临床应用受到三大来源的不确定性制约。首先，视觉不确定性源于噪声或错误的视图标注，损害特征提取。其次，标签分布不确定性源于疾病患病率的长尾分布，使模型偏向罕见但临床关键的疾病。第三，上下文不确定性源于未经验证的历史报告，常导致事实性幻觉。这些挑战总体上限制了MRG系统的可靠性和临床可信度。为解决这些问题，我们提出了SURE-Med框架，系统性地在三个关键维度上降低不确定性：视觉、分布式和上下文。为缓解视觉不确定性，一种前额-aware视图修复抽样模块纠正视图标注错误，并自适应选择补充视图中具有信息性的特征。为应对标签分布不确定性，我们引入了面向Token的学习目标，以增强对关键诊断句子的建模，同时对欠representative诊断术语进行重新加权，从而提高对稀有疾病的敏感性。为减少上下文不确定性，我们的上下文证据过滤器验证并有选择地整合与当前图像一致的先前信息，有效抑制幻觉。在MIMIC-CXR和IU-XRay基准测试上的大量实验表明，SURE-Med实现了最好的性能。通过在多个输入模态上综合降低不确定性，SURE-Med为医学报告生成的可靠性树立了新的基准，为可信赖的临床决策支持迈出了坚实的一步。