用监督式 LLM 在语言空间融合异构超声心动图 AI 输出

Integrating Heterogeneous Echocardiography AI Outputs in Language Space: Learnable Late Fusion with a Supervised LLM

AI 导读

研究者提出一种基于监督式 LLM 的晚期融合模块，直接在语言空间聚合不同视图的预测发现陈述与测量值，学习病例级融合函数，无需将各上游模型输出转换为二分类决策、概率或固定长度特征向量。在 646 名患者 859 次检查的患者级三折交叉验证中，该方法在单一框架内整合异构输出，表现与所评估的最佳参考策略相当，并优于未经任务特定训练的通用 LLM。

正文 · AI 翻译

查看 PDF HTML（实验性）

摘要：视图特异性和目标特异性的超声心动图 AI 模型捕获了有用但互补的信息，单独使用时可能无法达到足够的预测性能。学习型集成是组合这些输出的自然方式，但异构模型通常要求将每个输出转换为二元决策、概率、置信度分数或固定长度特征向量。我们开发了一个基于监督式大语言模型（LLM）的后期融合模块，该模块在语言空间中直接聚合视图特异性的预测发现陈述和预测测量值，并学习一个病例级融合函数。在来自 646 名患者的 859 次检查的患者级三折交叉验证中，所提方法在单一框架内整合了异构输出，性能与所评估的最佳参考策略相当，并优于未经任务特定训练的通用 LLM。这些结果表明，监督式 LLM 可以组合多个上游模型，而无需模型特定的输出转换或需要医学知识的特征工程。

学科：	计算与语言（cs.CL）；人工智能（cs.AI）
引用为：	arXiv:2610.39464 [cs.CL]
	（或 arXiv:2610.39464v1 [cs.CL] 用于此版本）
	https://doi.org/10.48550/arXiv.2610.39464 由 DataCite 颁发的 arXiv DOI

提交历史

来自：Ryo Takizawa [查看电子邮件]
[v1] 2026年10月29日星期四 06:36:39 UTC（606 KB）

来源：arXiv cs.AI · arxiv.org