arXiv cs.AI· Hrishikesh Singh, Aarti Sharma, Divyanshu Kumar, Millie Pant·· 12 小时前AI 评分29
从分割掩码读取 BI-RADS 描述符：乳腺 MRI 分割的可解释性理由生成
Reading the Mask: Descriptor-Grounded BI-RADS Rationale Generation for Breast MRI Segmentation
AI 导读
研究团队基于 BI-RADS 指南设计含 8 个节点的决策树，用影像组学等 8 项定量测量结合病灶大小与成分数量推导描述符，再由大语言模型生成自然语言理由。在 MAMA-MIA 数据集全部 1,506 例的专家掩码与自动掩码上共生成 3,012 条 BI-RADS 理由，忠实度达 99.98%，反事实准确率 99.3%。
正文 · AI 翻译
摘要：基于深度学习的模型能够在动态对比增强 MRI（DCE-MRI）上准确勾画肿瘤，但仅靠分割掩膜无法提供放射科医生评估病灶可疑性时所使用的依据或推理过程。这限制了可解释性以及临床整合。我们研究能否改为从分割掩膜及其动态对比增强序列中推导出临床相关描述符。我们采用乳腺影像报告和数据系统（BI-RADS）指南作为结构化框架。依据这些指南，我们设计了一棵 BI-RADS 决策树，使用放射组学的八项定量测量，连同病灶大小和组件数量，在八个节点上确定描述符。利用这些描述符，我们使用大语言模型生成自然语言依据。该模型被约束为仅表达从决策树中导出的记录。在将该框架应用于 MAMA-MIA 数据集中全部 1,506 个病例的专家掩膜和自动掩膜后，我们生成了一个包含 3,012 条 BI-RADS 依据的可复现语料库。我们获得了 99.98% 的忠实度得分和 99.3% 的反事实准确率，表明生成的依据忠实地表述了所测量的描述符，并正确反映了底层记录的变化。随着掩膜质量从 Good 降至 Missed，专家掩膜与自动掩膜之间描述符的一致性从 0.832 降至 0.549。生成的依据旨在作为供放射科医生审阅并最终签核的草稿表述，而非自主的临床报告。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.29358 [cs.CV] |
| （或 arXiv:2610.29358v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.29358 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Hrishikesh Singh [查看电子邮件]
[v1]
2026年10月21日星期三 07:50:20 UTC（3,283 KB）
来源：arXiv cs.AI · arxiv.org