基于置信-证据贝叶斯增益（CEBaG）的医学VQA确定性幻觉检测

多模态大语言模型 (MLLM) 在医学视觉问答 (VQA) 方面显示出强大的潜力，但它们仍然容易产生幻觉，即生成与输入图像相矛盾的响应，在临床环境中构成严重风险。当前的幻觉检测方法，例如语义熵 (SE) 和视觉放大语义熵 (VASE)，每个样本需要 10 到 20 个随机生成，以及用于语义聚类的外部自然语言推理模型，这使得它们的计算成本昂贵且难以在实践中部署。我们观察到，幻觉反应直接在模型自身的对数概率中表现出独特的特征：不一致的标记级别置信度和对视觉证据的敏感性较弱。基于这一观察，我们提出了置信证据贝叶斯增益（CEBaG），这是一种确定性幻觉检测方法，不需要随机采样，不需要外部模型，也不需要特定于任务的超参数。 CEBaG 结合了两个互补信号：token级预测方差，它捕获响应token之间不一致的置信度；证据大小，它测量图像相对于纯文本推理每个token预测的偏移量。经过四个医学 MLLM 和三个 VQA 基准（16 个实验设置）的评估，CEBaG 在 16 个设置中的 13 个设置中实现了最高 AUC，并且比 VASE 平均提高了 8 个 AUC 点，同时具有完全确定性和独立性。该代码将在接受后提供。