基于链式思维的可解释胸部X光诊断：利用视觉语言模型
计算机视觉与模式识别
2025-08-19 v1
摘要
胸部X光成像是诊断肺部和心脏疾病至关重要的手段，但其解释需要大量临床经验且存在观察者间的差异。虽然深度学习模型提供了高诊断准确率，但其黑箱本质阻碍了在高风险医疗环境中的临床应用。为此，我们提出了 X-Ray-CoT（Chest X-Ray Chain-of-Thought），一个新型框架，利用视觉语言大模型（LVLMs）实现智能化的胸部X光诊断和可解释报告生成。X-Ray-CoT 通过提取多模态特征和视觉概念，模拟人类放射科医师的“链式思维”，随后采用基于大语言模型的组件运用结构化链式思维提示策略进行推理，生成详细的自然语言诊断报告。在CORDA数据集上进行评估，X-Ray-CoT 实现了与现有黑箱模型相当的量化性能，疾病诊断的平衡准确率为80.52%，F1分数为78.65%，略微超越了现有的黑箱模型。关键的是，它唯一生成高质�、可解释的报告，经初步的人类评估得到验证。我们的消融研究确认了每个提议组件的关键作用，突显了多模态融合和CoT推理对于稳健和透明医学AI的必要性。这一工作代表了医学影像中可信且临床可操作AI系统的重要一步。
引用
@article{arxiv.2508.12455,
title = {X-Ray-CoT: Interpretable Chest X-ray Diagnosis with Vision-Language Models via Chain-of-Thought Reasoning},
author = {Chee Ng and Liliang Sun and Shaoqing Tang},
journal= {arXiv preprint arXiv:2508.12455},
year = {2025}
}