arXiv cs.AI· Chentao Huang, Runlong Lin, Zhijun Wang, Yunxiang Li, Yuanyuan Sun, Jian Wang, Hongfei Lin, Ling Luo·· 10 小时前AI 评分38
ARIVE：交错解剖检查与诊断推理的可解释放射报告生成框架
Interleaving anatomical inspection and diagnostic reasoning for explainable radiology report generation
AI 导读
ARIVE 是一个可解释的放射报告生成框架，在最终撰写报告前交错进行解剖检查与诊断推理。研究团队从 MIMIC-CXR 构建了 159,416 条多模态思维链（MCoT）轨迹用于训练，并结合解剖与临床内容奖励优化，在 MIMIC-CXR 和 MIMIC-ABN 上取得优于强基线的临床效能表现。
正文 · AI 翻译
摘要：自动化放射学报告生成可以起草临床上合理的报告，但从视觉证据到报告发现的路径仍然不透明，导致这些报告的诊断依据无法解释，生成的报告也难以审阅或修改。我们提出 ARIVE（Anatomy-guided Reasoning with Interleaved Visual Evidence，交错视觉证据的解剖引导推理），这是一个可解释的报告生成框架，在最终报告撰写之前将解剖检查与诊断推理交错进行。为支持这一过程，我们从 MIMIC-CXR 构建了 159,416 条多模态思维链（MCoT）轨迹，其中来自所检查解剖区域的视觉证据为后续临床解读提供依据。在这些轨迹上训练并进一步使用解剖和临床内容奖励进行优化后，ARIVE 在 MIMIC-CXR 和以异常为中心的 MIMIC-ABN 上取得了优于强基线的临床效能表现。在盲审专家评分中，ARIVE 的报告与领先模型的报告具有竞争力，其 MCoT 轨迹在诊断可追溯性方面获得了高评分。此外，一项配对审阅评估表明，获取 MCoT 有助于识别生成报告中的错误。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.14018 [cs.CV] |
| （或 arXiv:2611.14018v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.14018 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Chentao Huang [查看电子邮件]
[v1]
2026年11月10日星期二 12:52:23 UTC（26,362 KB）
来源：arXiv cs.AI · arxiv.org