基于部分观测目标的锥形束CT报告生成中的临床推理

# 锥形束CT报告生成中基于部分可观测目标的临床推理
来源：https://arxiv.org/html/2609.13238
Govind Arunhttps://orcid.org/0009-0002-2573-4003Affiliation:University of Maryland, College Park, Maryland, USASidharth N Krishnahttps://orcid.org/0009-0002-4336-2477Affiliation:Indira Gandhi National Open University, New Delhi, IndiaUma Ranjanhttps://orcid.org/0000-0001-6258-4513Affiliation:Indian Institute of Technology Jammu, India

###### 摘要

本文通过复合目标评估锥形束计算机断层扫描生成的颌面部报告，该目标将80%的权重置于大型语言模型对事实蕴含关系的判断，20%置于词汇重叠度，而开发过程中仅能看到权重占五分之一的词汇重叠部分。评分器的BLEU-4和METEOR例程以纯Python代码复现，并与参考标准达到机器精度匹配。一种离线蕴含关系代理模型能够以0.987的曲线下面积区分不同患者的报告，使得复合目标的优化成本足够低廉。在622例公开数据集上，依据可见词汇排名选择的报告得分为0.2909，而依据复合目标选择的报告得分达0.4122，因为追求n-gram重叠会使蕴含关系精确度从0.522降至0.266。基于该数据集微调的2900万参数编码器，在985个陈述上达到患病率加权折外曲线下面积0.486，与语料库先验分布无显著差异；而从图像头文件读取的9个数值在颌骨覆盖评估中达0.945、髁突覆盖评估中达0.872，仅采集中心信息对句子选择的预测能力为0.718，优于基于图像模型的0.663，表明词汇度量奖励的是口述规范而非解剖特征。所交付系统包含8个无条件陈述和5个受几何头文件约束的门控陈述，在极性、侧别及牙齿层面一致性约束下，在来自未见中心的50个保留案例上达到METEOR值0.3542。数据集与代码可在https://github.com/GIND123/CBCT-Clinical-Reasoner获取。

###### 关键词：

报告生成 锥形束计算机断层扫描 约束解码 事实蕴含 目标设定偏差

## 1 引言

三维成像在牙科和颌面外科中已成为常规，但将体数据转化为手术决策的报告仍依赖人工口述。自动化该步骤现被设定为基准任务：从一份颌骨锥形束计算机断层扫描数据中，生成涵盖牙齿状况、骨质量、解剖变异、与关键结构邻近度及手术相关风险的报告\[6\]。本次发布的数据集扩展了面向分割的系列研究\[8,7\]，增加配对的临床文本，将任务从解剖结构描绘转向对其事实性陈述\[20\]。

报告生成通常通过词汇相似度评估，该方法的局限性已被充分记录\[18,22\]。本文研究的基准测试通过将RadFact\[4\]等大型语言模型的事实蕴含判断权重设为BLEU-4与METEOR总和的四倍来应对这一问题，并在开发阶段隐藏该评判组件：评估平台上蕴含关系判断器被禁用，公开排名仅反映决定结果的五分之一词汇分数。参与者针对目标的投影进行调整而非目标本身，而该投影被证实具有主动误导性。

所提系统基于这一观察构建，并附以支持每个决策的测量数据。评分器被精确复现，使得完整目标可离线计算，系统选择依据完整目标而非其可见投影进行，复合得分提升0.121（第6节）。可恢复信号通过测量而非假设进行定位（第4节），解码约束从蕴含度量算术中推导得出，使得自我矛盾和释义（两者在词汇评分中均可能得分）被结构性排除（第5节），且容器构建方式确保不会因单一负载失败导致模型失效，此前某次提交因该问题损失约14个排名位置（第7节）。

图1：提出的CBCT报告生成流程概览。系统提取图像与采集信号，选择候选临床陈述，实施一致性约束，并在组装最终结构化临床报告前应用基于几何的门控。
## 2 评分目标

条目按以下公式排名：

Final=0.8⋅F1RadFact+0.2⋅12(BLEU-4+METEOR),\\mathrm{Final}\\;=\\;0.8\\cdot F\\_{1}^{\\mathrm{RadFact}}\\;\\+\\;0.2\\cdot\\tfrac{1}{2}\\left(\\mathrm{BLEU\\text{-}4}\\+\\mathrm{METEOR}\\right),(1)

其中蕴含关系项在提交窗口关闭后离线计算\[6\]。发布评估代码中的三个细节影响后续所有环节：BLEU-4通过NLTK\[16,5]在语料库级别聚合，采用方法一平滑处理，因此逐案例平均会产生不同数值；METEOR使用评分器自身的精确分词变体，不含词干提取或同义词表，按案例平均；RadFact运行时禁用负向过滤，因此缺失发现在两个方向上均被计入。两种词汇度量均以纯Python代码重新实现，并在随机语料库上断言与参考标准达到机器精度匹配；若无此一致性，调优过程将优化与被评分函数不同的目标。

#### 发出陈述的边际规则：

RadFact将报告拆分为可验证短语，并询问蕴含模型每个短语是否被参考报告支持，对称地判断每个参考短语是否被报告支持。设候选报告包含n个短语，其中e个被蕴含，则精确度p=e/n。追加一个蕴含概率为q的短语将期望精确度变为(e+q)/(n+1)，当q>p时获得改进，而召回率仅在短语覆盖了未被覆盖的参考短语时才会变化。因此发出规则为q>p−ΔR(∂F1/∂R)(∂F1/∂P)−1，这是针对每个陈述的阈值而非全局top-k截断，因为p和ΔR对每个候选都不同。词汇度量半部分也达成共识：METEOR将其组件组合为F=10PR/(R+9P)，召回率权重约为精确度的九倍，且其分块惩罚项0.5(chunks/matches)³奖励对临床医生实际撰写的连续短语的重用。这些共同选择了一种架构：文本通过从训练语料库中观察到的句子中选择而非自由生成来组装，因此蕴含失败只能源于选择错误的发现，而非发明的语言\[13\]。

#### 隐藏项的离线代理：

调整阈值需要数万次完整语料库评估，这排除了在语言模型判断器参与下的搜索。因此使用确定性词汇代理进行搜索，该代理基于本体概念一致性、极性、侧别、牙齿标识符和词符包含度对短语蕴含关系进行评分，对矛盾极性和交换侧别进行硬置零处理，使其无法奖励真实判断器旨在惩罚的一类错误。一旦预计算蕴含矩阵并将METEOR对齐替换为已证明等效于评分器贪心分配的O(P+R)匹配器，一次语料库评估可在0.17秒内完成。在250个保留案例上，该代理能以0.9872的曲线下面积区分不同患者的报告，平均相似度为0.707对比0.217。它用于排名解码器变体，此处从不将其作为挑战指标报告。

## 3 语料库与标签空间

表1记录了公开发布的测量数据。视野远小于头部CT且更平坦，因此初始77×134×134mm裁剪区约70%为空气；调整为56×96×96mm后，0.5mm间距将填充比例降至38%。裁剪以牙列为中心，通过高强度百分位数隔离，而非以全部骨骼为中心（其质心在大范围采集中向颅骨偏移）。间距被保留而非归一化消除，因为报告量化了如窦底上方骨高度等物理距离，且367例携带多份报告。

表1：公开发布的测量数据。范围是沿每个采集轴的物理视野，中位数及第5、95百分位数。报告为意大利语口述并翻译为英语，翻译留下的痕迹需显式处理。牙齿标识符以裸形式出现，如"33义齿桥基台；34缺失"，因此提取不能依赖关键词前缀；词符*mm*频繁结束句子，若将其作为缩写保护会合并两个发现为一个短语，度量随后将其评分为单个不可分割单元。最显著的工件是词汇层面的：意大利语*incluso*表示阻生牙，因此朴素本体将裸词"included"匹配为阻生牙，并在描述采集内容的每个句子上触发。这覆盖了16.3%的参考短语，其中86.4%为视野陈述；要求触发器旁需有牙齿标识符将该概念降至4.5%。第二个缺陷在4.4%的短语上反转了极性，因为缺失概念的触发器本身是否定线索。将词汇扩展到实际使用的术语使概念覆盖率从81%提升至90%。

短语经规范化、向量化并通过凝聚余弦链接聚类，每个聚类成为一个可报告陈述，由与其他成员比较时期望得分最大化的成员代表。标签联合了一个案例所有报告中的发现，因为临床医生记录的发现在扫描中存在，无论所选参考是否提及。标签空间由先知分数固定，即完美预测器通过发出所有正标签陈述所能达到的分数，这以零训练成本为后续所有步骤设定了上限。屏蔽牙齿标识符会将每个缺失句子合并为一个断言牙齿列表的聚类，这对几乎每个案例都是错误的：507个陈述覆盖率达84.6%，先知分数0.5406；对比512个牙齿感知陈述，覆盖率82.1%，先知分数0.5645。最终交付的空间保留989个牙齿感知陈述，覆盖率达89.0%，先知分数0.6008。

## 4 图像能预测什么，不能预测什么

基于该数据集训练了一个2900万参数的编码器：通过ImageNet预训练骨干网络\[9,21]生成多平面切片，经门控注意力多实例学习\[12]池化，在非对称多标签损失\[19]下训练，分类器偏差初始化为语料库对数几率。训练过程清晰，损失在五个患者分组折上从97降至60，验证集平均精度从0.057缓慢上升至0.072。

0.40.40.50.50.60.60.70.70.80.80.90.9Osteolytic lesionCondyles not incl.Mandibular bodyCanal regularMaxilla partialSinuses minimalCondyles excludedMandible incl.折外曲线下面积GeometryIntensity(a)按陈述区分度allprev.n≥12n\\\!\\geq\\\!120.450.450.50.50.550.550.60.60.650.650.70.7Mean AUCPriorEncoderLinear(b)预测器比较

图2：折外区分度。(a)9个头文件数值能区分所有视野陈述，但在病理上失败：病灶不是采集属性。(b)编码器在所有三种聚合方式下均低于语料库先验分布。所有这些结果都是噪声。约一千个陈述上的平均精度主要由出现两三次的列主导，本质上是随机的，因此无论模型如何改进，聚合指标几乎不动。针对语料库先验分布（设计上为精确的0.500）的逐陈述曲线下面积直接给出答案：每个支持区间都处于或低于机会水平，患病率加权指标在985个可评估陈述上为0.486，对于每个常见陈述，正负样本的平均预测概率相同。模型记忆了497个案例但未泛化。

决定性的后续是控制实验而非更大模型。仅从图像头文件读取9个数值（体积尺寸的对数、体素间距及物理范围的对数），对每个陈述拟合一个交叉验证的逻辑回归。视野陈述（语料库中最常见）被强烈预测（图2a）。在37个有足够支持的陈述上，头文件几何特征平均AUC为0.627，对比重采样后计算的强度统计特征的0.542；添加强度仅将均值提升至0.637，却需要像素解码，因此保留仅使用头文件路径。该任务可从网络辅助输入已接收的信息中学习，因此深度模型才是问题所在而非任务不可行。基于122维全局描述符\[17]对每个陈述拟合强正则化线性模型，将患病率加权区分度提升至0.593，在支持充足的情况下达0.669（图2b），部署形式仅52KB，对比折检查点的580MB。

### 4.1 为何训练模型无法赢得词汇列

更精确的诊断解释了该结果，并界定了该数据集上任何模型可达到的上限。仅基于*采集中心*预测报告使用的原型句子，在60个最常用句子上平均AUC达0.718，优于基于图像模型的0.663，且72.2%的句子使用集中于其单一最常用中心。句子选择是行文风格而非解剖特征：编码器并非未能观察颌骨，而是被要求预测口述规范，而这不在像素中。

所有后续观察由此而来。完美的逐案例选择器达到BLEU-4 0.4086，对比单一固定报告的0.1663，但该差距主要源于逐字复制某中心的措辞，而中心P提供了622例中的412例。评估中心具有所有四个训练中心均缺失的惯例，因此该差距在此处无法达到：观察到的测试BLEU-4为0.0943，低于所有留一中心折（范围从0.1241到0.1968）。完美知晓哪些牙齿缺失（体积中最直观的内容）仅值0.0041 BLEU-4，因为n-gram存在于句子框架而非具体标识符中。