arXiv cs.AI· Asim Khan, Samee Ullah Khan, Dwarikanath Mahapatra·· 10 天前AI 评分23
MedCORE：面向可解释医学图像诊断的标准锚定临床推理框架
MedCORE: Criteria-Grounded Clinical Reasoning for Interpretable Medical Image Diagnosis
AI 导读
MedCORE 是一个将临床推理结构化的视觉-语言诊断框架，把诊断过程拆解为临床定义的标准，逐项定位图像区域并借助 Graph Attention Network 建模标准间依赖关系。
正文 · AI 翻译
摘要：临床诊断本质上是一个结构化的推理过程，然而现有的深度学习模型往往绕过这一结构，直接将图像特征映射到疾病标签，而没有明确审视临床医生系统评估的形态学和纹理标准。这限制了诊断透明度，并可能危及安全的临床部署。我们提出 MedCORE（Medical Criteria-Oriented Reasoning and Evidence，医学标准导向的推理与证据），一个在视觉-语言架构中操作化临床推理的结构化诊断框架。对于每张输入图像，MedCORE 将诊断过程分解为临床定义的标准，将每个标准空间定位到诊断相关的图像区域，通过捕获宏观结构和微观纹理病理特征的多尺度表示来编码证据，并使用显式建模标准间依赖关系的图注意力网络来细化标准表示。标准表示进一步与临床文本描述符对齐，通过类别视觉原型进行强化，并使用不确定性校准的加权进行聚合，该加权按比例降低低置信度诊断证据的权重。MedCORE 在三种临床异质性成像模态上进行了验证，包括 ISIC 2018 上的皮肤镜病变分类、BUSI 上的乳腺超声病变表征以及 IDRiD 上的糖尿病视网膜病变分级。在定量上，MedCORE 在 ISIC 2018 上达到 89.2% 的准确率、85.7% 的宏 F1 和 96.4% 的 AUC；在 BUSI 上达到 96.1% 的准确率、95.2% 的宏 F1 和 98.4% 的 AUC；在 IDRiD 上达到 84.3% 的准确率、80.2% 的宏 F1 和 92.8% 的 AUC。这些结果表明，相较于强大的 CNN、transformer、生物医学视觉-语言、基于概念和基于原型的基线，该方法均取得了一致的提升。
| 评论： | 16 页，4 幅图，会议论文 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.08528 [cs.CV] |
| （或 arXiv:2610.08528v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.08528 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Asim Khan [查看电子邮件]
[v1]
2026 年 10 月 6 日星期二 15:23:01 UTC（4,280 KB）
来源：arXiv cs.AI · arxiv.org