論文の概要: CheXPoT: Post-Hoc Visual Verification and Correction of VLM-Generated Radiology Reports

• arxiv url: http://arxiv.org/abs/2611.00785v1
• Date: Sat, 31 Oct 2026 09:57:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.432008
• Title: CheXPoT: Post-Hoc Visual Verification and Correction of VLM-Generated Radiology Reports
• Title（参考訳）: CheXPoT: VLM による放射線診断における画像診断と矯正
• Abstract要約: 我々はCheXPoTを紹介した。CheXPoTは、画像の特徴に対して生成された各発見を検証し、グラウンドできないものを削除するフレームワークである。 4,145イメージのホールドアウト分割では、CheXPoTは14のCheXpertクラスの8で統計的に有意な精度の利得を、5でF1の利得を得られるが、どちらの指標も有意な低下はない。 以上の結果から,低コストでVLMを改善できる可能性が示唆された。
• 参考スコア（独自算出の注目度）: 0.4733680065352959
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language models (VLMs) have shown promise for chest radiograph report generation, but adoption remains limited because of hallucinated findings that are not grounded in the image. Correcting these hallucinations and improving overall report quality remains a significant challenge. Prior work has addressed this problem by refining models with reinforcement learning, preference optimization, or chain-of-thought supervision, often at substantial compute cost. To address this gap, we introduce CheXPoT, a program-of-thought (PoT) framework that verifies each generated finding against image features and removes those it cannot ground. CheXPoT decomposes generated reports into predicates with RadGraph and an LLM, grounds these predicates against a DenseNet-121 and Grad-CAM visual evidence table, executes PoT verification code, and rewrites reports after removing unsupported predicates. On a 4,145-image held-out split, CheXPoT yields statistically significant precision gains on 8 of 14 CheXpert classes and F1 gains on 5, with no significant decreases in either metric. CheXPoT lifts micro-average precision from 19.2% (MedGemma-4B) to 46.8% (MedGemma-4B + CheXPoT) and micro-average F1 from 23.0% to 49.4%, absolute gains of 27.6% and 26.4% respectively. We also tested CheXPoT on other VLM report generators. On LLaVA-Med, CheXPoT lifts micro-average precision from 4.5% to 17.7% and micro-average F1 from 6.3% to 19.4%. On MAIRA-2, CheXPoT lifts micro-average precision from 15.6% to 42.1% and micro-average F1 from 21.0% to 45.3%. Our results suggest that inexpensive post-hoc visual verification may improve VLM trustworthiness by correcting unsupported findings from generated reports. CheXPoT lays a foundation for tools that help validate VLM-generated radiology reports and reduce unsupported findings. These innovations may subsequently help increase trust and adoption of VLM tools in Medicine.
• Abstract（参考訳）: ヴィジュアル言語モデル (VLM) は胸部X線写真レポート生成の可能性を示唆しているが, 画像に基づかない幻覚所見のため, 採用は限られている。 これらの幻覚を訂正し、全体のレポート品質を改善することは、依然として大きな課題である。 それまでの研究は、強化学習、選好最適化、あるいはチェーン・オブ・インフォメーションによるモデルの改良によってこの問題に対処してきた。 このギャップに対処するため、私たちはCheXPoTというPoT(Program-of- Thought)フレームワークを紹介します。 CheXPoT は生成したレポートを RadGraph と LLM で述語に分解し、これらの述語を DenseNet-121 と Grad-CAM の視覚的エビデンステーブルに対して根拠付け、PoT 検証コードを実行し、不要な述語を取り除いた後に報告を書き換える。 4,145イメージのホールドアウト分割では、CheXPoTは14のCheXpertクラスの8で統計的に有意な精度の利得を、5でF1の利得を得られるが、どちらの指標も有意な低下はない。 CheXPoTは、マイクロ平均精度を19.2%(MedGemma-4B)から46.8%(MedGemma-4B + CheXPoT)、マイクロ平均F1を23.0%から49.4%(それぞれ27.6%と26.4%)に引き上げる。 また、他のVLMレポートジェネレータ上でCheXPoTをテストした。 LLaVA-Medでは、CheXPoTはマイクロ平均精度を4.5%から17.7%に、マイクロ平均F1を6.3%から19.4%に引き上げる。 MAIRA-2では、CheXPoTが15.6%から42.1%に、F1が21.0%から45.3%に上昇する。 以上の結果から,低コストで視力検査を行えば,VLMの信頼性が向上する可能性が示唆された。 CheXPoTは、VLMが生成した放射線学レポートの検証と治療対象の発見の削減を支援するツールの基礎を築いている。 これらの革新は、医学におけるVLMツールの信頼性と採用を促進するのに役立つかもしれない。

関連論文リスト

• NovGauge: A Fine-Grained Benchmark for Diagnosing LLMs' Capability in Paper Novelty Assessment [54.4265627247104]
  大規模言語モデル(LLM)は、主要なAIカンファレンスでピアレビューでますます使用されている。 既存のベンチマークでは、ノベルティを1つの総合的なスコアとして評価している。 本報告では,詳細なノベルティアセスメント診断のための人手によるベンチマークであるNovGaugeについて述べる。
  論文  参考訳（メタデータ） (2026-09-10T08:34:56Z)
• MedFM-Robust: Benchmarking Robustness of Medical Foundation Models [17.68454119152175]
  8つの画像モダリティにまたがる40種類の摂動型からなるロバストネスベンチマークを提案する。 微調整戦略は頑丈さを支配し、LORAは完全微調整の劣化をほぼ2倍にしている。 医学固有の摂動は、ドメイン固有の上位15の汚職のうち9つで、不均等にセグメンテーションを損なう。
  論文  参考訳（メタデータ） (2026-05-18T18:50:56Z)
• When Chain-of-Thought Backfires: Evaluating Prompt Sensitivity in Medical Language Models [2.064612766965483]
  MedMCQA(4,183質問)とPubMedQA(1,000質問)でMedGemma(4Bおよび27Bパラメータ)を評価する。 実験の結果,いくつかの知見が得られた。
  論文  参考訳（メタデータ） (2026-03-26T23:04:20Z)
• Exploring Response Uncertainty in MLLMs: An Empirical Evaluation under Misleading Scenarios [49.53589774730807]
  マルチモーダル大規模言語モデル(MLLM)は近年,視覚的質問応答から映像理解に至るまでのタスクにおいて,最先端のパフォーマンスを実現している。 12件のオープンソースMLLMが, 単一の偽装キューを受けた65%の症例において, 既往の正解を覆した。
  論文  参考訳（メタデータ） (2024-11-05T01:11:28Z)
• GPT-4V Cannot Generate Radiology Reports Yet [25.331936045860516]
  GPT-4Vの強いマルチモーダル能力は、放射線学レポート作成を自動化するためにそれを使うことに関心を喚起する。 我々は, GPT-4V を用いた報告を異なるプロンプト戦略により直接生成し, 語彙指標と臨床効果指標の両方で異常を生じさせることを試みた。
  論文  参考訳（メタデータ） (2024-07-16T21:03:14Z)
• RLAIF-V: Open-Source AI Feedback Leads to Super GPT-4V Trustworthiness [88.82621231987815]
  RLAIF-Vは,MLLMを完全なオープンソースパラダイムで整列させる新しいフレームワークである。 RLAIF-Vは、高品質なフィードバックデータ生成を含む2つの観点から、オープンソースのMLLMを最大限に探求する。 RLAIF-Vは、自動評価と人的評価の両方で6つのベンチマーク実験を行い、モデルの信頼性を大幅に向上させることを示した。
  論文  参考訳（メタデータ） (2024-05-27T14:37:01Z)
• How Easy is It to Fool Your Multimodal LLMs? An Empirical Analysis on Deceptive Prompts [54.07541591018305]
  提案するMAD-Benchは,既存のオブジェクト,オブジェクト数,空間関係などの5つのカテゴリに分割した1000の試験サンプルを含むベンチマークである。 我々は,GPT-4v,Reka,Gemini-Proから,LLaVA-NeXTやMiniCPM-Llama3といったオープンソースモデルに至るまで,一般的なMLLMを包括的に分析する。 GPT-4oはMAD-Bench上で82.82%の精度を達成するが、実験中の他のモデルの精度は9%から50%である。
  論文  参考訳（メタデータ） (2024-02-20T18:31:27Z)
• Pushing the Limits of Fewshot Anomaly Detection in Industry Vision: Graphcore [71.09522172098733]
  FSADにおけるグラフ表現を利用して,新しい視覚不変特徴(VIIF)を異常測定特徴として利用する。 VIIFは異常識別能力を確実に向上し、Mに格納された冗長な特徴のサイズをさらに小さくすることができる。 さらに、教師なしFSADトレーニングを高速に実装し、異常検出の性能を向上させることができる、VIIFによる新しいモデルGraphCoreを提供する。
  論文  参考訳（メタデータ） (2023-01-28T03:58:32Z)

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。