UNIRG-CXR 以多模态强化学习提升医学影像报告生成
Scaling medical imaging report generation with multimodal reinforcement learning
研究团队提出通用报告生成框架 UNIRG,并开发 8B 参数视觉语言模型 UNIRG-CXR,用监督微调后接强化学习优化医学影像报告。该模型在 MIMIC-CXR、CheXpert Plus、ReXGradient-160k 和 IU-Xray 四个公开数据集上训练,在 ReXrank 基准的四个数据集和两种生成设置上超过先前模型,两个测试集分数提升超过 50%。
论文给出 UNIRG-CXR 在四个公开数据集和外部专有数据上的评测,读者可据此比较强化学习对报告质量与泛化的作用。
已发表论文 · journal · 10.1038/s41467-026-78767-4
本站摘要基于收录版本 v1(2026-11-12),原始摘要与 AI 导读固定保留。
IF(5) 18.9 · 2025 · 期刊参考指标
在医学影像报告生成中,监督微调容易过拟合于表面模式,且跨机构泛化能力较差。我们提出了通用报告生成(Universal Report Generation,UNIRG),采用强化学习直接优化具有临床意义的质量标准。基于该框架,我们开发了 UNIRG-CXR,这是一个拥有 80 亿参数的视觉–语言模型,通过四个公开数据集(MIMIC-CXR、CheXpert Plus、ReXGradient-160k 和 IU-Xray)进行监督微调,随后采用强化学习(组相对策略优化)针对词法、语义与临床错误的复合奖励进行训练。我们评估了留出测试集和一个外部专有数据集,以 RadCliQ 为主要指标,并由专业放射科医生进行验证。本文表明,我们的方法提升了报告质量与泛化能力:UNIRG-CXR 在 ReXrank 基准测试中,横跨四个数据集和两种生成设置均超越了以往模型,在两个测试集上比此前最佳分数高出 50% 以上,同时产生的临床显著错误更少,并在未见过的数据源和不同人口统计学子群体上保持了性能。
来源:Nature Communications · doi.org