DECIS：用于可解释斜视诊断决策的双重证据矫正验证

斜视是一种常见的眼部疾病，需要进行细粒度的亚型诊断以制定个体化的治疗计划。然而，现有的深度学习方法主要提供没有透明推理的诊断预测，而最近的大型视觉语言模型（LVLM）虽然在联合图像理解和报告生成方面很有前景，但在这种证据敏感和规则驱动的医疗任务中仍然很容易产生幻觉。为了应对这些挑战，我们提出了 DECIS，这是一种用于可解释斜视诊断决策框架的双证据矫正验证。 DECIS 将黑盒端到端生成转变为结构化诊断过程，包括候选假设生成、双证据约束上下文、基于证据的纠正验证和报告生成。具体来说，我们引入了一种双证据约束上下文（DECC）机制，该机制将九个基本注视位置照片中的视觉证据和基于证据的临床诊断规则联合组织到约束上下文中，以进行可靠的诊断推理。我们进一步开发了基于证据的纠正验证（EBCV）机制，该机制验证当前的诊断假设是否得到视觉证据、基于热图的视觉线索和基于证据的临床诊断规则的支持。当检测到不一致时，就会触发假设细化。细粒度斜视基准实验表明，DECIS 不仅优于其他最先进的诊断系统，将加权 F1 评分从 72.0% 提高到 91.3%，而且还提高了生成的诊断报告的临床可靠性（一致性、对齐性和完整性）。这些结果表明，DECIS 为构建准确、循证且临床可解释的斜视诊断系统提供了有效的解决方案。