胸部 X 射线报告生成的阳性未标记偏好优化

用于生成放射学报告的视觉语言模型（VLM）通常根据回顾性临床报告进行训练，这些报告会受到遗漏噪音的影响：由于遗漏了细微的发现，临床上存在的发现未被报告。例如，先前的研究表明，当成像请求集中于监测支持设备的放置时，ICU 胸部 X 光报告中可能会忽略心脏肥大。因此，使用标准方法训练的模型继承了这些遗漏，学会了少报自己的发现。我们提出了 PU-DPO，一种偏好优化框架，用于防止遗漏噪声破坏偏好信号。我们在积极未标记（PU）学习框架下重新制定目标，将缺席提及视为未标记而不是真正消极的。我们的框架使用构建的对比对提供偏好监督，这些对比对是通过编辑模型响应而生成的，产生明确提及或省略特定发现的变体。在视觉证据的背景下，生成的提及该发现的回复自然是首选。通过半合成实验和对现实世界胸部 X 光片基准（其中有判定标签）的分析，PU-DPO 在多种病理学中的检测率和隐藏阳性的恢复方面取得了一致的收益，并且比以前的方法对遗漏噪声更稳健。