通过 ROI 重新思考和合成数据增强脑部 MRI 异常检测和推理

医学视觉语言模型通常通过单遍推理生成诊断，而不指示哪些图像区域支持其结论。缺乏空间定位限制了临床实用性：输出无法审核，模型可能会产生正常扫描结果的幻觉。我们提出了 BrReMark（通过 ROI 标记进行大脑重新思考），这是一个将显式区域标记引入脑 MRI 诊断的框架。该模型首先生成有关潜在异常的假设，并通过明确的边界框标记来验证这些假设，然后通过重新检查标记的证据来验证结论。训练将结构化推理轨迹上的监督 微调 与强化学习相结合，使用定位准确性和诊断推理的复合奖励。此外，我们集成了基于域随机化的病理学合成增强策略，以提高模型对分布外（OOD）数据的通用性。在内部基准测试中，与基本模型相比，BrReMark 将 mAP50 从 0.74% 提高到 37.54%，同时实现 21.57% 的临床 F1 和 45.26% 的诊断准确性。在 NOVA OOD 基准测试中，它还实现了具有竞争力的整体性能，与最先进的技术相比，误报率降低了 45.7%，这表明对罕见病症的幻觉减少了。这些发现表明，明确的假设验证基础是在分布内和 OOD 环境中实现值得信赖的开放式脑 MRI 诊断的实用途径。