Fugu-MT 論文翻訳(概要): E-MRL: Cross-view Aligned Evidence-driven Multimodal Reinforcement Learning for Reliable 3D Tumor Analysis

論文の概要: E-MRL: Cross-view Aligned Evidence-driven Multimodal Reinforcement Learning for Reliable 3D Tumor Analysis

arxiv url: http://arxiv.org/abs/2606.23888v1
Date: Mon, 22 Jun 2026 19:34:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-24 22:16:48.644716
Title: E-MRL: Cross-view Aligned Evidence-driven Multimodal Reinforcement Learning for Reliable 3D Tumor Analysis
Title（参考訳）: E-MRL : 信頼性3次元腫瘍解析のためのクロスビューアライメント・エビデンス駆動型マルチモーダル強化学習
Authors: Sijing Li, Zhongwei Qiu, Zhuoya Wang, Boxiang Yun, Zhenyu Yi, Jianwei Xu, Wenqiao Zhang, Yingda Xia, Ling Zhang,
Abstract要約: Evidence-driven Multimodal Reinforcement Learning (Evidence-MRL) 我々のモデルは、グローバルな診断報告と共に「キーエビデンスススライス」を特定するように明示的に訓練されており、その発見を検証された視覚的証拠に根拠づけている。大規模な3次元CT腫瘍データセットの実験により、E-MRLは幻覚を著しく低減し、SFTおよびRLベースラインと比較して診断精度を向上させることが示された。
参考スコア（独自算出の注目度）: 19.161238848856712
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: While Vision-Language Models (VLMs) show great promise in volumetric medical report generation, they frequently suffer from visual hallucinations and a lack of grounding in 3D CT data. Current Supervised Fine-Tuning (SFT) and Reinforcement Learning (RL) strategies typically optimize text fidelity alone, essentially rewarding correct diagnoses derived from language priors rather than genuine visual perception. To address this, we propose cross-view aligned Evidence-driven Multimodal Reinforcement Learning (Evidence-MRL, noted as E-MRL), a reliable RL reasoning framework that formulates the generation process as a Markov Decision Process of "diagnosis-localization-verification". Unlike standard approaches, our model is explicitly trained to identify a "key evidence slice" alongside the global diagnostic report, grounding its findings in verifiable visual evidence. Crucially, we introduce a novel cross-view consistency reward, which validates the semantic alignment between the golden-standard report and a local visual re-query of the selected key slice, providing additional rewards for correctly-localized reasoning. Experiments on large-scale 3D CT tumor datasets demonstrate that E-MRL significantly reduces hallucinations and improves diagnostic accuracy compared to SFT and RL baselines, offering a clinically interpretable solution for visually-grounded and tumor analysis.
Abstract（参考訳）: Vision-Language Models (VLM) は、ボリューム医療レポート生成において大きな可能性を秘めているが、視覚幻覚や3次元CTデータへの接点の欠如に悩まされることが多い。現在のSFT (Supervised Fine-Tuning) と強化学習 (Reinforcement Learning, RL) 戦略は、典型的にはテキストの忠実性のみを最適化し、真の視覚的知覚ではなく、言語前の正しい診断に報いる。そこで本研究では, マルチモーダル強化学習(Evidence-MRL, E-MRL) を, 診断・局所化検証のマルコフ決定過程として定式化するための信頼性の高いRL推論フレームワークとして, クロスビュー・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・ラーニングを提案する。標準的なアプローチとは異なり、我々のモデルは、グローバルな診断報告と並行して「キーエビデンススライス」を特定するように明示的に訓練されており、その発見を検証可能な視覚的証拠に基礎を置いている。重要なことに、我々は、ゴールデンスタンダードレポートと選択されたキースライスの局所的な視覚的再クエリとのセマンティックアライメントを検証する、新しいクロスビュー整合報酬を導入し、正しく局所化された推論のための追加の報酬を提供する。大規模な3次元CT腫瘍データセットの実験により、E-MRLは幻覚を著しく低減し、SFTやRLのベースラインと比較して診断精度を向上させることが示され、臨床に解釈可能な視覚的および腫瘍解析のソリューションを提供する。

関連論文リスト

Brain-Adapter: A Dual-Stream Vision-Language MIL Framework for Comprehensive 3D CT Diagnosis of Acute Intracranial Pathologies [8.984636910625886]
Brain-Adapterは、新しいデュアルストリームマルチインスタンス学習フレームワークである。提案手法は,最先端の3Dモデルと標準MIL手法を大幅に上回っている。
論文参考訳（メタデータ） (2026-06-22T15:41:16Z)
MedScribe: Clinically Grounded CT Reporting through Agentic Workflows [13.40306812882295]
視覚言語モデル(VLM)は、自動放射線診断レポート生成の可能性を示している。我々は,仮説駆動型フレームワークであるMedScribeを紹介し,レポート生成を反復的証拠取得プロセスとして再構築する。
論文参考訳（メタデータ） (2026-05-03T08:32:40Z)
Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
論文参考訳（メタデータ） (2026-03-21T07:47:37Z)
Concept-Enhanced Multimodal RAG: Towards Interpretable and Accurate Radiology Report Generation [12.226029763256962]
VLM(Vision-Language Models)による放射線学レポート生成は、ドキュメントの負担軽減、レポートの一貫性の向上、臨床導入の加速を約束する。既存の研究では、解釈可能性と精度を別々の目的として扱い、概念に基づく説明可能性技術は透明性に重点を置いている。本稿では,視覚表現を解釈可能な臨床概念に分解する統合フレームワークであるCEMRAG(Concept-Enhanced Multimodal RAG)を提案する。
論文参考訳（メタデータ） (2026-02-17T15:18:07Z)
Med3D-R1: Incentivizing Clinical Reasoning in 3D Medical Vision-Language Models for Abnormality Diagnosis [20.302134776419955]
我々は,2段階の学習プロセスを持つ強化学習フレームワークを提案する: 教師付きファインチューニング(SFT)と強化学習(RL)。 RLの段階では、整合性報酬を再定義し、整合性、ステップバイステップの診断推論を明示的に促進する。本モデルではCT-RATEでは41.92%,RAD-ChestCTでは44.99%の精度が得られた。
論文参考訳（メタデータ） (2026-02-01T12:43:11Z)
MedAlign: A Synergistic Framework of Multimodal Preference Optimization and Federated Meta-Cognitive Reasoning [52.064286116035134]
我々はMed-VQA(Med-VQA)のための視覚的LVLM応答を保証するフレームワークであるMedAlignを開発した。まず、優先学習を視覚的コンテキストに合わせるために、マルチモーダルな直接選好最適化(mDPO)の目的を提案する。次に、画像とテキストの類似性を生かし、クエリを専門的でコンテキスト拡張されたLVLMにルーティングする検索型混合処理(RA-MoE)アーキテクチャを設計する。
論文参考訳（メタデータ） (2025-10-24T02:11:05Z)
M3Ret: Unleashing Zero-shot Multimodal Medical Image Retrieval via Self-Supervision [24.846428105192405]
我々は、モダリティ固有のカスタマイズなしで、統一されたビジュアルエンコーダであるM3Retを訓練する。生成的(MAE)およびコントラスト的(SimDINO)自己教師型学習(SSL)パラダイムを用いて、転送可能な表現をうまく学習する。提案手法は,DINOv3 やテキスト教師付き BMC-CLIP などの強力なベースラインを超越して,すべてのモダリティを横断するゼロショット画像画像検索において,新たな最先端技術を実現する。
論文参考訳（メタデータ） (2025-09-01T10:59:39Z)
3D-CT-GPT: Generating 3D Radiology Reports through Integration of Large Vision-Language Models [51.855377054763345]
本稿では,VQAに基づく医用視覚言語モデルである3D-CT-GPTについて紹介する。パブリックデータセットとプライベートデータセットの両方の実験により、3D-CT-GPTはレポートの正確さと品質という点で既存の手法を著しく上回っていることが示された。
論文参考訳（メタデータ） (2024-09-28T12:31:07Z)
C^2M-DoT: Cross-modal consistent multi-view medical report generation with domain transfer network [67.97926983664676]
ドメイン転送ネットワーク(C2M-DoT)を用いたクロスモーダルなマルチビュー医療レポート生成を提案する。 C2M-DoTは、すべてのメトリクスで最先端のベースラインを大幅に上回る。
論文参考訳（メタデータ） (2023-10-09T02:31:36Z)
Cross-Modal Causal Intervention for Medical Report Generation [107.76649943399168]
放射線医学報告生成(RRG)は, コンピュータ支援診断と薬剤指導に不可欠である。視覚言語的バイアスによる急激な相関により、正確な病変記述の生成は依然として困難である。我々はCrossModal Causal Representation Learning (CMCRL)という2段階のフレームワークを提案する。 IU-XrayとMIMIC-CXRの実験により、我々のCMCRLパイプラインは最先端の手法よりも大幅に優れていることが示された。
論文参考訳（メタデータ） (2023-03-16T07:23:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。