arXiv cs.CL· Chandravardhan Singh Raghaw, Shahid Shafi Dar, Arnav Nishith Sharma, Shrey Modi, Nagendra Kumar·· 6 天前AI 评分22
CliQ-RRG：临床知识引导的疾病感知视觉-文本对齐，用于 QA 式放射报告生成
CliQ-RRG: Clinical-Knowledge Guided Disease-aware Visual-Textual Alignment for QA-Style Radiology Report Generation
AI 导读
CliQ-RRG 是一个两阶段框架，用于生成可解释、临床可溯源的 QA 式放射报告。第一阶段用疾病感知视觉-文本对齐模块结合预测的疾病嵌入对齐图像与文本表示，并由 Prior-Guided Attention Module（PrAM）捕捉当前与既往扫描的多视图依赖；第二阶段通过 GraphRAG 引导检索引入图结构临床证据，再由大语言模型重构为简洁的问答对与诊断摘要。
正文 · AI 翻译
摘要：放射学报告对于诊断推理和患者护理至关重要，但其人工撰写耗时且对认知要求高。自动放射学报告生成（RRG）提供了一种可扩展的替代方案，但现有模型往往生成冗长、无结构的叙述，忽视了诊断线索和多视图信息。我们提出了临床知识引导的疾病感知视觉-文本对齐用于问答式放射学报告生成（CliQ-RRG），这是一个用于可解释且临床有据报告的统一两阶段框架。在第一阶段，CliQ-RRG 采用疾病感知视觉-文本对齐模块，利用预测的疾病嵌入对齐图像和文本表示，并由先验引导注意力模块（PrAM）增强，以捕获当前和先前扫描中的多视图依赖关系。在第二阶段，GraphRAG 引导的检索用图接地的临床证据增强中间文本表示，大型语言模型将其重构为简洁、可解释的问答（QA）对及诊断摘要。在两个公开胸部 X 光基准上的实验表明，CliQ-RRG 在词汇和临床指标上均持续优于先前方法，生成准确且临床连贯的问答式放射学报告。代码可在以下网址获取：this https URL。
| 评论： | 已接收：EMNLP Findings 2026 |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.13059 [cs.CL] |
| （或 arXiv:2610.13059v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.13059 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Chandravardhan Singh Raghaw 博士 [查看电子邮件]
[v1]
2026年10月9日星期五 06:13:25 UTC（2,477 KB）
来源：arXiv cs.CL · arxiv.org