論文の概要: CARE-X: Towards Clinically Useful Radiology VLMs with Auxiliary Supervision, Reward-Aligned Learning, and Tool-Augmented Measurement

• arxiv url: http://arxiv.org/abs/2608.03890v1
• Date: Tue, 04 Aug 2026 16:23:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.281217
• Title: CARE-X: Towards Clinically Useful Radiology VLMs with Auxiliary Supervision, Reward-Aligned Learning, and Tool-Augmented Measurement
• Title（参考訳）: CARE-X: Auxiliary Supervision, Reward-Aligned Learning, Tool-Augmented Measurement を用いた臨床応用放射線学VLMを目指して
• Abstract要約: 本稿では,胸部X線ビジョンランゲージモデル(VLM)であるCARE-Xを紹介する。 CARE-Xは、言語モデリングの目的と協調して訓練された、焦点空間の分類と複合空間の接地ヘッドにより、その生成バックボーンを増強する。 その結果は、4つのレポートジェネレーションベンチマークの大多数における最先端のパフォーマンス、ReXVQAにおける94.0%のVQA精度、および専用の検出ヘッドとほぼ同値な生成空間デコーディングが得られた。
• 参考スコア（独自算出の注目度）: 3.586844533420584
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A clinically useful chest X-ray system must go beyond fluent report generation: it should classify findings with tunable decision thresholds, localize them spatially, and derive the anatomical measurements upon which many diagnoses depend. Today's Vision-Language Models (VLMs) treat these as separate problems, if they address them at all, leaving a gap between what radiologists need and what generative models provide. We introduce CARE-X, a chest X-ray VLM that narrows this gap by unifying auxiliary discriminative supervision with reward-aligned generation. CARE-X augments its generative backbone with focal-loss classification and composite-loss grounding heads, co-trained alongside the language-modeling objective. This auxiliary supervision produces discriminative diagnostic predictions with tunable decision thresholds and precise spatial localization while also improving report quality, providing evidence that structured prediction and generation reinforce one another. Building on this foundation, Decoupled Clip and Dynamic Sampling Policy Optimization (DAPO) leverages task-specific reward signals for report generation, visual question answering (VQA), and spatial grounding, directly optimizing the clinical quality metrics that matter in practice. The result is state-of-the-art performance on the majority of metrics across four report-generation benchmarks, 94.0% VQA accuracy on ReXVQA (+6.0 pp over the next-best baseline), and generative spatial decoding that reaches near parity with dedicated detection heads. Separately, to address measurement-dependent diagnoses, we couple Qwen3-VL-4B-Instruct with native tool-calling capabilities for invoking deterministic measurement tools, while retaining full visual access to the image. This hybrid inference yields +43.6 pp average F1 over perception-only baselines across five measurement-dependent conditions.
• Abstract（参考訳）: 臨床的に有用な胸部X線検査装置は、症状を調整可能な判定しきい値で分類し、それらを空間的に局所化し、多くの診断が依存する解剖学的測定を導出する必要がある。 ヴィジュアル・ランゲージ・モデル(VLM)は、放射線学者が必要とするものと生成モデルが提供するものの間にギャップを残し、それらに対処するならば、これらを別の問題として扱う。 本稿では,このギャップを狭めるための胸部X線VLMであるCARE-Xを紹介する。 CARE-Xは、言語モデリングの目的と協調して訓練された、焦点空間の分類と複合空間の接地ヘッドにより、その生成バックボーンを増強する。 この補助監督は、調整可能な判定しきい値と正確な空間的局所性を備えた識別的診断予測を報告品質を改善し、構造化された予測と生成が互いに補強する証拠を提供する。 この基盤の上に、Decoupled Clip and Dynamic Smpling Policy Optimization (DAPO)は、レポート生成、視覚的質問応答(VQA)、空間的接地のためのタスク固有の報酬信号を活用し、実際に重要な臨床品質指標を直接最適化する。 その結果は、4つのレポートジェネレーションベンチマークの大多数における最先端のパフォーマンス、ReXVQAの94.0%のVQA精度(次のベットベースラインでは+6.0pp)、専用の検出ヘッドとほぼ同値となる生成的空間デコーディングである。 第2に,Qwen3-VL-4B-InstructとQwen3-VL-4B-Instructを,画像への完全な視覚的アクセスを維持しつつ,決定性測定ツールを起動するネイティブツールコール機能とを結合する。 このハイブリッド推論は、5つの測定に依存した条件で知覚のみのベースラインよりも平均F1を+43.6pp産出する。

関連論文リスト

• Concept-Grounded Reasoning with Prompt-Driven Localization for Interpretable Structured Report Generation [66.62662330558906]
  CORALは、空間的接地と概念レベルの監督を統一的な推論プロセスに統合するマルチモーダルフレームワークである。 コーラルは、疾患の局所化とコンセプション・ボトルネックモジュールによる多クラス臨床属性の予測のために、プロンプト駆動型医療セグメンテーションモデルを採用している。 BUS-CoTとIU X線データセットの実験では、診断精度、概念整合性、報告品質が強力な汎用および医療MLLMよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-09-14T10:21:23Z)
• A Modular Agent for Reliable and Auditable Spatial Relation Verification in CT Scans [7.8047270656196766]
  現代の視覚言語モデル(VLM)は、多くの医療画像タスクにおいて有望な性能を示す。 軸方向CTスライスにおける2値空間関係検証のためのモジュラー医用イメージングエージェントを提案する。 最高の性能のハイブリッド構成は94.1%の精度と94.2%のF1に達し、直接Qwen2-VLよりも42.5ポイント高い精度である。
  論文  参考訳（メタデータ） (2026-08-21T14:16:46Z)
• Beyond Fluency: A Clinical Benchmark and Anomaly-Enhanced Baseline for Spine MRI Report Generation [11.89113336167412]
  我々は、診断精度に焦点をあてた腰椎MRIで、最先端のビジョン・ランゲージモデル(VLM)をベンチマークした。 本稿では,VLM入力を空間的局所化,ディスクレベルの異常なヒートマップで拡張するアーキテクチャに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-07T11:21:33Z)
• Disease-Centric Vision-Language Pretraining with Hybrid Visual Encoding for 3D Computed Tomography [75.7789001619107]
  ビジョン言語による事前トレーニングは、汎用医療AIにとって大きな可能性を秘めている。 3つの主要なコンポーネントを特徴とするフレームワークを提案する。 診断対応プロンプト戦略では、トレーニング前の推論ギャップを埋めるために、実際の臨床用語と集約された疾患プロトタイプを用いている。
  論文  参考訳（メタデータ） (2026-06-24T08:24:45Z)
• A Reasoning-Enabled Vision-Language Foundation Model for Chest X-ray Interpretation [48.23500302185585]
  CXR解釈のための推論可能な視覚言語モデルであるCheXOneを提案する。 CheXOneは、診断予測と明示的で臨床的に根拠付けられた推論トレースを共同で生成する。 55%のケースでは,CheXOneドラフトレポートは常駐レポートと同等かそれ以上であることがわかった。
  論文  参考訳（メタデータ） (2026-04-01T05:19:09Z)
• A DeepSeek-Powered AI System for Automated Chest Radiograph Interpretation in Clinical Practice [83.11942224668127]
  Janus-Pro-CXR (1B) はDeepSeek Janus-Proモデルに基づく胸部X線解釈システムである。 本システムは, 自動レポート生成において, 最先端のX線レポート生成モデルより優れる。
  論文  参考訳（メタデータ） (2025-12-23T13:26:13Z)
• DiA-gnostic VLVAE: Disentangled Alignment-Constrained Vision Language Variational AutoEncoder for Robust Radiology Reporting with Missing Modalities [3.5045368873011924]
  本稿では,Dentangled Alignment を用いた頑健な放射線診断を行う DiA-gnostic VLVAE を提案する。 我々のフレームワークは、共有機能とモダリティ固有の機能を混在させることにより、モダリティの欠如に耐性を持つように設計されている。 コンパクトなLLaMA-Xデコーダは、これらの不整合表現を使用してレポートを効率的に生成する。
  論文  参考訳（メタデータ） (2025-11-08T11:08:27Z)
• H-DDx: A Hierarchical Evaluation Framework for Differential Diagnosis [33.11853966969629]
  臨床関係をよりよく反映した階層的評価フレームワークであるH-DDxを紹介する。 ベンチマーク22の先行モデルにおいて,従来の平坦な指標は臨床的に有意なアウトプットを見落とし,性能を過小評価することを示した。 枠組みは階層的エラーパターンを明らかにすることで解釈可能性を高め,正確な診断を見逃しても,LLMがより広い臨床コンテキストを正しく識別できることが証明された。
  論文  参考訳（メタデータ） (2025-10-04T06:42:22Z)
• Eyes on the Image: Gaze Supervised Multimodal Learning for Chest X-ray Diagnosis and Report Generation [1.5087814338685968]
  胸部X線による疾患分類と地域別放射線診断レポートの作成を促進するための2段階フレームワークを提案する。 第一段階では、疾患分類のための視線誘導型コントラスト学習アーキテクチャを導入する。 第2段階では,信頼度重み付き診断キーワードを抽出するモジュールレポート生成パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-08-18T16:42:29Z)
• RadAlign: Advancing Radiology Report Generation with Vision-Language Concept Alignment [10.67889367763112]
  RadAlignは、視覚言語モデルの予測精度と大きな言語モデルの推論能力を組み合わせた、新しいフレームワークである。 本フレームワークは, 幻覚の低減, 自動医用画像の進歩, 予測AIと生成AIの統合による報告分析を両立させながら, 強力な臨床解釈可能性を維持している。
  論文  参考訳（メタデータ） (2025-01-13T17:55:32Z)
• Instrumental Variable Learning for Chest X-ray Classification [52.68170685918908]
  本稿では,素因果関係を排除し,正確な因果表現を得るための解釈可能な機器変数(IV)学習フレームワークを提案する。 提案手法の性能はMIMIC-CXR,NIH ChestX-ray 14,CheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-05-20T03:12:23Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• BS-Net: learning COVID-19 pneumonia severity on a large Chest X-Ray dataset [6.5800499500032705]
  我々は、Chest X-rays画像(CXR)に基づいて、新型コロナウイルス患者の肺妥協の度合いを判定するエンド・ツー・エンドのディープラーニングアーキテクチャを設計する。 当院で収集した約5,000個のCXR注釈画像の臨床的データセットを利用して検討した。 私たちのソリューションは、評価精度と一貫性において、一人のアノテータよりも優れています。
  論文  参考訳（メタデータ） (2020-06-08T13:55:58Z)

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。