通过混合自然语言和临床奖励学习精确回忆可控放射学报告生成

自动放射学报告生成（RRG）因其可以减轻临床报告撰写的繁重工作量而受到越来越多的关注。然而，大多数现有方法主要针对注重语言流畅性的自然语言生成（NLG）指标进行优化，而对精确度和召回率等临床重要因素几乎没有控制。因此，生成的报告可能很流畅，但不能很好地满足不同的临床需求。为了应对这一挑战，我们提出了一种用于精确召回可控 RRG 的强化学习框架，其中控制参数明确地调整推理过程中临床精确度和召回之间的权衡。这样的设计使得模型能够根据不同的临床需求灵活地生成报告。为了确保临床正确性，我们在训练目标中引入了临床奖励，这有助于提高临床疗效（CE），超越基于标准语言的优化。此外，我们应用了与组相关的训练策略，使每个训练组内的奖励标准化，减少奖励方差并提高训练稳定性。 MIMIC-CXR 数据集上的大量实验表明，我们的方法在 NLG 和 CE 评估指标方面始终优于最先进的方法，同时提供对 CE 精度召回权衡的可靠控制。