CARDEA：基于空间证据的可审计推理，用于端到端冠状动脉造影解释

侵入性冠状动脉造影（CAG）是诊断冠状动脉疾病的金标准，但观察者之间的解释差异很大。现有的人工智能系统可以提高一致性，但缺乏可审计的决策流程，并且在全面的开放式评估方面受到限制，从而损害了临床医生的信任和临床采用准备。我们开发了 CARDEA，这是一种统一的大型视觉语言模型，用作 CAG 管道的推理核心。它仅在公共数据集和封闭式任务上分三个阶段进行训练：视觉特征对齐、自蒸馏的 Chain-of-Box (CoB) 冷启动以及具有可验证奖励的强化学习 (RLVR)，其中 CoB 奖励鼓励在推理跟踪中使用边界框。我们针对专门的分类器和两名介入心脏病专家评估了其两个研究级诊断，即优势分类和复杂性评估。报告生成被排除在训练之外，并使用血管严重性宏 $F_1$ 对外部队列进行跨阶段零样本评估。 CARDEA 在分布优势方面落后于分类器，但在域转移方面处于水平（准确度，0.91 [95% 置信区间 (CI)，0.86 至 0.95]），并且在复杂性评估方面与心脏病专家相当（准确度，0.90 [CI，0.82 至 0.97]）。只有 RLVR 改进了零样本报告生成，将其船舶严重性宏 $F_1$（0.686 [CI，0.664 至 0.707]）提高到未调整的基本模型 (0.513) 之上，并且是始终正常下限 (0.312) 的两倍以上。 CARDEA 运行端到端 CAG 管道，从原始多视图视频到关键帧选择再到研究级诊断，同时揭示其结论背后的可审计空间证据。 RLVR 在可验证的封闭式任务上展现了开放式报告能力，而监督模仿则没有。临床使用需要心脏病专家的前瞻性验证。