研究人员推出了一种名为临床共识选择（CCS）的新型框架，旨在提高多模态大语言模型（MLLMs）生成的放射学报告的质量。该方法在推理时运行，采样多个候选报告，并选择临床共识度最高的报告。CCS 集成了基于文本的实用工具和一个在图像-报告数据上训练的专用多模态嵌入器，以超越简单的文本相似性来衡量一致性。在各种数据集和 MLLMs 上的实验表明，CCS 在临床指标上始终优于标准解码方法和通用基线，显示出在改进放射学报告生成方面具有巨大潜力。 AI
影响 通过改进推理时选择，提高了 AI 生成的放射学报告的临床准确性。
排序理由 该集群包含一篇学术论文，详细介绍了一种改进 AI 模型输出的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2605.30131v1 Announce Type: new Abstract: Radiology report generation (RRG) is commonly formulated as a single-path generation task, where a multimodal large language model (MLLM) produces one decoded report as the final output. While recent progress has largely been driven…
Radiology report generation (RRG) is commonly formulated as a single-path generation task, where a multimodal large language model (MLLM) produces one decoded report as the final output. While recent progress has largely been driven by scaling training data, model capacity, and r…