通过报告引导的链式思考学习教授 AI 的分步诊断推理
人工智能
2025-09-09 v1
摘要
本研究提出 DiagCoT，一个多阶段框架，通过对一般用途视觉语言模型 (VLM) 进行监督式微调，以仅使用免费文本报告模拟放射科医生的分步诊断推理。DiagCoT 结合对比图像-报告调谐进行领域对齐，链式思考监督捕捉推理逻辑，并利用临床奖励信号进行强化调谐以提高事实准确性和流畅性。在 MIMIC-CXR 数据集上，DiagCoT 将零样本疾病分类 AUC 从 0.52 提升至 0.76（绝对提升 0.24），将病理 grounding mIoU 从 0.08 提升至 0.31（绝对提升 0.23），将报告生成 BLEU 从 0.11 提升至 0.33（绝对提升 0.22）。它在长尾疾病和外部数据集上超越了包括 LLaVA-Med 和 CXR-LLAVA 在内的前沿模型。通过将非结构化临床叙述转换为结构化监督，DiagCoT 提供了一种可扩展的方法，用于开发在解释性和诊断能力方面具有竞争力的 AI 系统。
引用
@article{arxiv.2509.06409,
title = {Teaching AI Stepwise Diagnostic Reasoning with Report-Guided Chain-of-Thought Learning},
author = {Yihong Luo and Wenwu He and Zhuo-Xu Cui and Dong Liang},
journal= {arXiv preprint arXiv:2509.06409},
year = {2025}
}