論文の概要: Enhancing Visual Reasoning in Chest X-Ray Report Generation Using Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2609.31911v1
• Date: Fri, 25 Sep 2026 18:54:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 04:44:13.81012
• Title: Enhancing Visual Reasoning in Chest X-Ray Report Generation Using Reinforcement Learning
• Title（参考訳）: 強化学習を用いた胸部X線レポート生成における視覚的推論の強化
• Abstract要約: 本稿では、解剖学的領域、境界ボックス、および領域レベルのテキスト記述を統合することにより、モデルの推論過程を検証するフレームワークを提案する。 RLはSFTだけで達成可能な以上の性能向上を提供し、推論ステップと最終的な出力の両方を共同検証することで、単独で検証するよりも大きな改善が得られます。
• 参考スコア（独自算出の注目度）: 12.074798555934855
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical report generation has made significant progress with the rise of modern vision-language models and the growing availability of large-scale medical datasets. However, hallucinations remain a major challenge, largely due to the limitations of supervised fine-tuning (SFT), which prioritizes lexical similarity to reference reports rather than clinical correctness. While reinforcement learning has shown strong performance in domains with verifiable rewards such as mathematics and code generation, its application to open-ended medical tasks remains limited. Existing work focuses on evaluating final answers, overlooking the model's reasoning, despite evidence that flawed reasoning can degrade overall performance. In this study, we propose a framework that verifies the model's reasoning process by integrating anatomical regions, bounding boxes, and region-level textual descriptions. We design spatial and factual reward mechanisms to ensure that the model's reasoning is both visually grounded and factually accurate. Starting from Qwen3-VL-8B-Instruct as our base model, we adapt it to the medical domain using supervised fine-tuning, introduce reasoning capability through a cold-start SFT stage, and refine it with reinforcement learning. We find that RL provides performance gains beyond those achievable through SFT alone, and that jointly verifying both reasoning steps and final outputs yields larger improvements than verifying either in isolation. We further identify multiple modes of reward hacking in the RL stage. Finally, the model's structured think traces enhance interpretability, making its outputs easier to audit for clinical use.
• Abstract（参考訳）: 医療レポート生成は、現代のビジョン言語モデルの台頭と、大規模医療データセットの可用性の向上により、大きな進歩を遂げた。 しかしながら、幻覚は依然として大きな課題であり、主に、臨床の正確性よりも、参照レポートと語彙的類似性を優先する教師付き微調整(SFT)の限界のためである。 強化学習は、数学やコード生成などの検証可能な報酬を持つ領域では高い性能を示してきたが、そのオープンエンド医療タスクへの応用は依然として限られている。 既存の研究は、モデルの推論を見渡すことで最終的な答えを評価することに重点を置いているが、欠点のある推論は全体的なパフォーマンスを低下させる可能性があるという証拠がある。 本研究では,解剖学的領域,境界ボックス,および領域レベルのテキスト記述を統合することによって,モデルの推論過程を検証するフレームワークを提案する。 我々は,モデルの推論が視覚的根拠と事実的正確性の両方を確実にするために,空間的および事実的報酬機構を設計する。 Qwen3-VL-8B-Instructをベースモデルとして、教師付き微調整を用いて医療領域に適応し、冷間開始SFTステージを通じて推論機能を導入し、強化学習で洗練する。 RLはSFTだけで達成可能な以上の性能向上を提供し、推論ステップと最終的な出力の両方を共同検証することで、単独で検証するよりも大きな改善が得られます。 さらに、RLステージにおける報酬ハッキングの複数のモードを特定します。 最後に、モデルの構造的思考トレースは解釈可能性を高め、そのアウトプットを臨床使用のための監査を容易にする。

関連論文リスト

• CARE: Causally-Aligned Reasoning Exploration for Medical Large Language Models [68.18247112359337]
  大規模言語モデル(LLM)は、医学的推論に強い可能性を示しているが、専門家による注釈付きデータの不足とコストは、その進歩を妨げている。 本稿では,本質的な経験キュレーションの枠組みであるCausally-Aligned Reasoning Exploration (CARE)を提案する。 CAREは、他の強力な競争相手よりも一貫して優れており、正しいが一貫性のない推論を大幅に削減し、トレーニングの安定性を改善している。
  論文  参考訳（メタデータ） (2026-06-29T05:40:35Z)
• DeepImagine: Learning Biomedical Reasoning via Successive Counterfactual Imagining [6.221068729338845]
  本稿では,LLMの生物医学的推論を連続的対実的想像を通して教える枠組みを提案する。 実際の臨床試験から自然対と近似対を構築し,その結果を報告する。 DeepImagineは、未修正言語モデルと従来の相関ベースラインよりも一貫して改善されていることを示す。
  論文  参考訳（メタデータ） (2026-04-24T22:48:10Z)
• MedCausalX: Adaptive Causal Reasoning with Self-Reflection for Trustworthy Medical Vision-Language Models [10.466505116993451]
  既存の医療連鎖モデルには因果推論を表現・強制するための明確なメカニズムが欠如している。 MedCausalXは医療用VLMの因果推論チェーンを明示的にモデル化したエンドツーエンドフレームワークである。 我々は,MedCausalXが常に最先端の手法より優れ,診断の整合性は+5.4ポイント向上し,幻覚は10ポイント以上減少し,最上位の空間接地IoUに達することを示す。
  論文  参考訳（メタデータ） (2026-03-24T11:28:15Z)
• PathReasoner-R1: Instilling Structured Reasoning into Pathology Vision-Language Model via Knowledge-Guided Policy Optimization [6.821738567680833]
  PathReasonerは,WSI推論の最初の大規模データセットである。 PathReasoner-R1は、教師付き微調整と推論指向の強化学習を相乗し、構造化されたチェーン・オブ・シント機能を注入する。 実験により、PathReasoner-R1はPathReasonerと公開ベンチマークの両方で、様々な画像スケールで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2026-01-29T12:21:16Z)
• LTD-Bench: Evaluating Large Language Models by Letting Them Draw [57.237152905238084]
  LTD-Benchは、大規模言語モデル(LLM)のブレークスルーベンチマークである。 LLMの評価を抽象的なスコアから直接観察可能な視覚出力に変換する。 LTD-Benchの視覚出力は強力な診断分析を可能にし、モデル類似性を調べるための潜在的アプローチを提供する。
  論文  参考訳（メタデータ） (2025-11-04T08:11:23Z)
• Reasoning Visual Language Model for Chest X-Ray Analysis [30.318629424154206]
  胸部X線解釈にチェーン・オブ・シント(CoT)推論をもたらすフレームワークを提案する。 推論ファーストのトレーニングパラダイムにインスパイアされた私たちのアプローチは、専門家が結論を下すだけでなく、どのように判断するかを学ぶように設計されています。 我々は,胸部X線撮影における信頼に値する,説明可能なAIに向けたコミュニティの進展を支援するために,コードとモデルNV-Reason-CXR-3Bをリリースする。
  論文  参考訳（メタデータ） (2025-10-28T00:48:00Z)
• S-Chain: Structured Visual Chain-of-Thought For Medicine [81.97605645734741]
  S-Chainは,有界ボックスと構造化ビジュアルCoT(SV-CoT)を備えた,12,000のエキスパートアノテートされた医用画像の最初の大規模データセットである。 データセットはさらに16言語をサポートし、幅広い多言語適用性のための合計700万VQAペアをサポートする。 S-Chainは、根拠のある医療推論のための新しいベンチマークを確立し、より信頼性が高く説明可能な医療ビジョン言語モデルへの道を開く。
  論文  参考訳（メタデータ） (2025-10-26T15:57:14Z)
• Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
  医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。 本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。 SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
  論文  参考訳（メタデータ） (2025-09-30T08:59:06Z)
• GEMeX-RMCoT: An Enhanced Med-VQA Dataset for Region-Aware Multimodal Chain-of-Thought Reasoning [60.03671205298294]
  医学的視覚的質問応答は、医学的イメージに基づいた自然言語的質問にモデルで答えることによって、臨床的な意思決定を支援することを目的としている。 現在の方法はまだ、答えの信頼性の制限と解釈性の低下に悩まされている。 この研究はまず、回答を生成するプロセスが中間的推論ステップのシーケンスに先行する領域対応マルチモーダル・チェーン・オブ・ソートデータセットを提案する。
  論文  参考訳（メタデータ） (2025-06-22T08:09:58Z)

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。