AnchorDiff：面向放射报告生成的拓扑感知掩码扩散与基于置信度的重写

放射报告生成（RRG）旨在从医学影像自动生成临床准确的文本报告。现有方法主要依赖自回归（AR）语言模型，其因果依赖结构把生成限制在单向从左到右的过程中。该范式会诱发序列偏差：模型倾向于遵循刻板的词元顺序和高频报告模板，而非让生成充分扎根于图像特定证据。本文提出AnchorDiff，首个将知识图谱衍生的临床锚点融入扩散语言建模的RRG掩码扩散框架。借助双向上下文与迭代精修，AnchorDiff缓解了固定顺序自回归解码的局限。具体而言，我们提出拓扑感知训练策略，利用RadGraph衍生的实体层级为临床重要词元分配差异化的掩码保护与损失权重。我们进一步设计推理时重写策略，通过基于扰动的测试检测不稳定的已确定词元，并在去噪过程中选择性地修订它们。在MIMIC-CXR和MIMIC-RG4基准上的大量实验表明，AnchorDiff取得最优（SOTA）性能，证明了临床锚定掩码扩散对放射报告生成的有效性。