乳腺癌诊断的 Latent-CURE

多模态大型模型具有显着先进的自动化乳腺超声诊断功能。然而，大多数现有框架使用不透明的端到端范例，优先考虑全局统计相关性而不是结构化临床推理。因此，在极端的现实世界流行病学失衡的情况下，这些模型仍然容易受到捷径学习的影响，常常绕过占主导地位的良性模式的罕见但决定性的恶性指标。为了解决这种脱节问题，我们提出了 Latent-CURE，这是一种由基于潜在空间推理的非对称加权思想链方法驱动的新型诊断框架。与传统方法不同，我们的框架构建了一个隐式推理轨迹，迫使模型在收敛到最终诊断之前顺序推断标准化的 BI-RADS 形态描述符。此外，为了应对关键恶性特征的极度缺乏，我们将该架构与双不对称优化策略结合起来。通过动态调整边距和权重，该策略可以保护高特异性的恶性描述符不被常见的良性先验所掩盖。综合评估表明，我们的知识注入方法提供了透明的临床证据，同时在不平衡的医疗队列中实现了稳健、准确的诊断性能。