RadFusion：迈向阈值可控的放射报告生成

为应对放射科医师短缺，自动化放射学报告生成正在快速推进，但与感知模型不同，现有生成模型对其诊断内容的敏感性-特异性权衡不提供任何控制。这种控制至关重要，因为临床场景存在分歧：急诊分诊优先考虑敏感性以减少漏诊，而确诊性判读强调特异性以减少不必要的干预。单一固定报告既无法适应这些场景，也无法支持监管获批普遍要求的基于ROC的验证。我们提出RadFusion，一个为报告生成赋予阈值可控性的框架。该方法将提供每疾病置信度分数的多标签分类器与详细描述医学发现的基于VQA的报告生成器融合；随后由大语言模型（LLM）重写报告，使其陈述的诊断在选定阈值下遵循分类器的决策，同时扎根于生成器的描述。在MIMIC-CXR上，RadFusion的性能符合分类器的ROC曲线：扫描阈值并将报告映射回类别标签可复现分类器经验证的ROC性能。这种一致性使生成的报告可通过ROC分析进行定量评估，增强了监管获批的依据，并支持选择与临床情境匹配的操作点。此外，两种模型类型的结合比无控制生成提高了诊断准确性：在相同特异性下敏感性提高6.9%，在相同敏感性下特异性提高20.7%。这些结果表明，RadFusion使报告生成在临床上可适应、可定量验证且诊断上更可靠。