論文の概要: Positive-Unlabeled Preference Optimization For Chest X-ray Report Generation

• arxiv url: http://arxiv.org/abs/2608.05341v1
• Date: Wed, 05 Aug 2026 18:59:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.659749
• Title: Positive-Unlabeled Preference Optimization For Chest X-ray Report Generation
• Title（参考訳）: 胸部X線レポート生成のための正のラベルなし選好最適化
• Abstract要約: 優先信号の劣化を防止するための優先最適化フレームワークPU-DPOを提案する。 PU-DPOは複数の病理組織において検出率と隠蔽陽性の回復率において一貫した上昇を示した。
• 参考スコア（独自算出の注目度）: 20.57244883423868
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language Models (VLMs) for radiology report generation are typically trained on retrospective clinical reports, which suffer from omission noise: clinically present findings are left unreported due to the omission of subtle findings. For example, prior studies show that cardiomegaly may be omitted from ICU chest X-ray reports when the imaging request is focused on monitoring support device placement. As a result, models trained with standard approaches inherit these omissions, learning to under-report findings themselves. We propose PU-DPO, a preference optimization framework to prevent omission noise from corrupting the preference signal. We reformulate the objective under a positive-unlabeled (PU) learning framework, treating absent mentions as unlabeled rather than truly negative. Our framework provides preference supervision using constructed contrastive pairs, generated using edits to model responses, producing variants that explicitly mention or omit a specific finding. Generated responses that mention the finding are naturally preferred in the context of visual evidence. Across semi-synthetic experiments and analyses on real-world chest radiograph benchmarks where adjudicated labels are available, PU-DPO yields consistent gains in detection rates and recovery of hidden positives across multiple pathologies, and is more robust to omission noise than prior approaches.
• Abstract（参考訳）: 放射線学報告生成のためのビジョン・ランゲージ・モデル(VLM)は、通常、省略ノイズに苦しむ臨床報告に基づいて訓練される。 例えば、以前の研究では、イメージング要求が監視デバイス配置に集中している場合、ICU胸部X線所見から心筋が省略される可能性があることが示されている。 その結果、標準的なアプローチで訓練されたモデルは、これらの欠落を継承し、発見自体を過度に報告することを学ぶことになった。 優先信号の劣化を防止するための優先最適化フレームワークPU-DPOを提案する。 本研究は, 肯定的未ラベル(PU)学習の枠組みの下で目的を再構築し, 未記載を真に否定的ではなく, 未記載とみなす。 我々のフレームワークは、構築されたコントラッシブなペアを使用して好みの監視を提供し、編集を用いて応答をモデル化し、特定の発見を明示的に言及または省略する変種を生成する。 発見に言及した生成された反応は、視覚的証拠の文脈で自然に好まれる。 適応ラベルが利用可能である実世界の胸部X線写真ベンチマークに関する半合成実験と分析を通して、PU-DPOは、複数の病理領域における隠れ陽性の検出率と回復率において一貫した利得を得られる。

関連論文リスト

• RadFusion: Towards Threshold-Controllable Radiology Report Generation [14.362153373103757]
  既存の世代モデルは、診断内容の感度特異性トレードオフを制御できない。 RadFusionは、レポート生成としきい値制御性を備えたフレームワークである。
  論文  参考訳（メタデータ） (2026-08-11T05:23:48Z)
• Analyzing and Improving Fine-grained Preference Optimization in Medical LVLMs [53.697403481143404]
  LVLM(Large Vision-Language Models)は、医用画像処理タスクにおいて強力なパフォーマンスを実現している。 しかし、実際の不整合、視力の低下、臨床的に有意義なフィードバックによる不一致が続く傾向にある。
  論文  参考訳（メタデータ） (2026-06-10T18:35:36Z)
• Rethinking Visual Attribution for Chest X-ray Reasoning in Large Vision Language Models [47.16270570101431]
  大規模視覚言語モデル(LVLM)は医学的応用において有望であるが、視覚的証拠に忠実に応答できないことは深刻な懸念を引き起こす。 そこで本研究では,CXR-VQAサンプルのみを保持する因果評価フレームワークを開発した。 MedFocusは, 臨床的に有意な解剖学的領域を非平衡の最適輸送により局所化する概念に基づく属性法である。
  論文  参考訳（メタデータ） (2026-05-19T17:46:40Z)
• AnchorDiff: Topology-Aware Masked Diffusion with Confidence-based Rewriting for Radiology Report Generation [2.2748974006378933]
  医用画像から臨床的に正確なテキストレポートを自動生成することを目的とする。 既存の手法は自己回帰(AR)言語モデルに依存しており、因果依存性構造は生成を一方向の左から右へのプロセスに制限する。 本稿では,知識グラフに基づく臨床アンカーを拡散言語モデリングに統合したRRGのための最初のマスク付き拡散フレームワークであるAnchorDiffを提案する。
  論文  参考訳（メタデータ） (2026-05-16T16:42:43Z)
• 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)
• Calibrated Confidence Expression for Radiology Report Generation [33.24673060327421]
  放射線学レポート生成における大規模視覚言語モデル(LVLM)は、正確な予測と臨床的に解釈可能な指標を必要とする。 現在の最先端言語モデルはしばしば自信過剰であり、放射線学レポート生成などのマルチモーダル設定における校正に関する研究は限られている。 本稿では,LVLMを微調整する医療強化学習フレームワークであるConRadを紹介する。
  論文  参考訳（メタデータ） (2026-03-31T09:37:33Z)
• X-ray Insights Unleashed: Pioneering the Enhancement of Multi-Label Long-Tail Data [86.52299247918637]
  胸部X線撮影における長期肺腫瘍の診断は困難であった。 尾部病変の表現力を高める拡散法は近年進歩しているが, 稀な病変例では, それらの発生能が低下している。 そこで本研究では,従来のX線を併用して尾部病変を増大させる新しいデータ合成パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-12-24T06:14:55Z)
• Model Correlation Detection via Random Selection Probing [62.093777777813756]
  既存の類似性に基づく手法では、モデルパラメータにアクセスしたり、しきい値なしでスコアを生成する必要がある。 本稿では,モデル相関検出を統計的テストとして定式化する仮説テストフレームワークであるランダム選択探索(RSP)を紹介する。 RSPは相関の証拠を定量化する厳密なp-値を生成する。
  論文  参考訳（メタデータ） (2025-09-29T01:40:26Z)
• Unlocking the Potential of Weakly Labeled Data: A Co-Evolutionary Learning Framework for Abnormality Detection and Report Generation [44.41011570487469]
  臨床における胸部X線(CXR)の解剖学的異常検出と報告生成は2つの重要な課題である。 既存の手法は、それぞれのタスクを別々に焦点を合わせ、相関を無視することが多い。 本研究は,共進化異常検出および報告生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-18T08:31:26Z)
• AMRFact: Enhancing Summarization Factuality Evaluation with AMR-Driven Negative Samples Generation [57.8363998797433]
  抽象的意味表現(AMR)を用いた摂動要約を生成するフレームワークであるAMRFactを提案する。 提案手法は,AMRグラフに一貫した要約を解析し,制御された事実不整合を注入して負の例を生成し,一貫性のない事実不整合要約を高い誤差型カバレッジで生成する。
  論文  参考訳（メタデータ） (2023-11-16T02:56:29Z)
• You've Got Two Teachers: Co-evolutionary Image and Report Distillation for Semi-supervised Anatomical Abnormality Detection in Chest X-ray [33.272751884183556]
  公的なMIMIC-CXRベンチマークの実験結果は、CEIRDがいくつかの最新の弱い半教師付き手法に優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-18T12:18:21Z)
• 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)
• Improving Radiology Report Generation Systems by Removing Hallucinated References to Non-existent Priors [1.1110995501996481]
  本稿では,放射線学報告における過去の文献参照を除去する2つの方法を提案する。 GPT-3をベースとした少数ショットによる医療報告の書き直し手法と,BioBERTをベースとしたトークン分類手法により,先行参照語を直接削除する手法である。 CXR-ReDonEと呼ばれる再学習モデルでは,臨床測定値に対する従来のレポート生成手法を上回り,平均BERTSスコア0.2351(絶対改善率2.57%)を達成した。
  論文  参考訳（メタデータ） (2022-09-27T00:44:41Z)
• Contrastive Attention for Automatic Chest X-ray Report Generation [124.60087367316531]
  ほとんどの場合、正常領域が胸部X線像全体を支配し、これらの正常領域の対応する記述が最終報告を支配している。 本稿では,現在の入力画像と通常の画像を比較してコントラスト情報を抽出するContrastive Attention(CA)モデルを提案する。 2つの公開データセットで最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-06-13T11:20:31Z)

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。