生成报告还是重复模板？测量和缓解 3D CT 报告生成中的模板崩溃

现代 3D 医学视觉语言模型 (VLM) 可以生成流畅的放射学风格的文本，同时表现出极低的病理检测和输出多样性，崩溃为通用模板，无法报告罕见但关键的发现。我们将这种故障模式称为“模板崩溃”。这种失败源于 3D 医学成像的独特限制，例如有限的数据、严重的标签不平衡以及来自体积编码器的微弱信号。在这些限制下，文本生成目标鼓励快捷学习和流畅但基础薄弱的报告。我们通过临床保真度、输出多样性、正常模板偏差和罕见的生存率来系统地诊断模板崩溃。为了缓解这个问题，我们提出了 CLarGen，这是一个解耦框架，它将说什么（临床检测）与如何说（语言合成）分开。 CLarGen 使用 (i) 潜在查询 Transformer 进行多标签病理检测，(ii) 临床匹配范例的病理引导检索，以及 (iii) 医学语言模型根据检测结果和检索上下文合成最终报告。在最先进的 3D CT 报告生成基线中，CLarGen 减轻了模板崩溃并显着提高了临床准确性（宏观 F1 0.487 与 0.189；CRG 0.472 与 0.368），同时保持流畅的报告。我们的结果表明，明确的、可测量的临床基础对于抗模板崩溃的 3D CT 报告生成至关重要。代码可在 https://github.com/ai-med/CLarGen 获取。