CARDEA:基于空间证据的可审计推理用于端到端冠状动脉造影解释

Hugging Face Daily Papers 论文

摘要

CARDEA是一种AI模型,旨在为冠状动脉造影解释提供可审计的推理,使用Chain-of-Box来指示图像区域,增强临床实践中的信任。

有创冠状动脉造影(CAG)是诊断冠状动脉疾病的金标准,但解释因观察者而异。现有的AI系统可以提高一致性,但缺乏可审计的决策过程,并且在全面开放性评估方面有限,这削弱了临床医生的信任和临床采用意愿。我们开发了CARDEA,一个统一的大型视觉语言模型,作为CAG管道的推理核心。它仅在公共数据集和封闭式任务上分三阶段训练:视觉特征对齐、自蒸馏Chain-of-Box(CoB)冷启动,以及带可验证奖励的强化学习(RLVR),其中CoB奖励鼓励在推理轨迹中使用边界框。我们将它的两个研究级别诊断——优势分类和复杂度评估——与专用分类器和两名介入心脏病专家进行比较。报告生成被排除在训练之外,并在外部队列上通过血管严重程度宏-F1分数进行零样本评估。CARDEA在分布内优势分类上落后于分类器,但在领域偏移下持平(准确率0.91 [95%置信区间(CI),0.86至0.95]),并且在复杂度评估上与心脏病专家相当(准确率0.90 [CI,0.82至0.97])。只有RLVR改善了零样本报告生成,使其血管严重程度宏-F1分数(0.686 [CI,0.664至0.707])高于未调优的基础模型(0.513),并且超过始终正常基线(0.312)的两倍。CARDEA运行端到端的CAG管道,从原始多视角视频通过关键帧选择到研究级别诊断,同时暴露其结论背后的可审计空间证据。在可验证封闭任务上的RLVR揭示了监督模仿所没有的开放性报告能力。临床使用需要与专家心脏病医生进行前瞻性验证。
查看原文
查看缓存全文

缓存时间: 2026/09/11 06:17

论文页面 - CARDEA:基于空间证据的可验证推理框架,实现端到端冠状动脉造影解析

来源:https://huggingface.co/papers/2609.06931

https://huggingface.co/papers/2609.06931#englishEnglish

现有的AI系统能够辅助冠状动脉造影的解读,但大多数模型仍仅输出最终预测结果。其推理过程仍像黑箱一样难以直观验证,导致临床应用中难以直接评估,从而降低了医生对模型判读结果的信任度。

CARDEA旨在解决这一难题。

我们的目标是将大型视觉语言模型生成最终答案前的推理轨迹转化为可解释性的来源,并通过“CoB盒链“进一步引导模型标示出其关注的影像区域,使临床医生能够更便捷地审计模型得出结论的依据。

CARDEA采用三阶段训练流程:首先进行基础冠状动脉造影特征的视觉对齐,接着通过自蒸馏技术自动合成带CoB盒链的推理轨迹用于冷启动训练,最后在可验证奖励强化学习阶段引入同时鼓励正确判读与CoB盒链行为的奖励机制。

模型权重与推理代码均已公开。


https://huggingface.co/papers/2609.06931#%E4%B8%AD%E6%96%87中文

冠状动脉造影解读目前已有AI系统提供辅助,但多数模型仅输出最终预测,其中间推理过程仍呈黑箱状态,临床实践中难以直接验证,因此降低了对模型判读结果的可信度。

CARDEA正是为解决此痛点而设计。

我们的目标是让大型视觉语言模型在输出最终结论前的推理过程成为可解释性的来源,并进一步引导模型通过“CoB盒链“标示其关注的影像区域,使临床人员能够更便捷地核查模型的判断依据。

CARDEA采用三阶段训练:首先进行基础冠状动脉造影特征的视觉对齐,接着通过自蒸馏自动合成带CoB盒链的推理轨迹进行冷启动训练,最后在可验证奖励强化学习阶段引入奖励机制,同时鼓励判读准确性与CoB盒链行为。

目前模型权重与推理代码均已公开。

相似文章

基于约束锚定的推理轨迹

arXiv cs.AI

提出CART,一种神经符号框架,将自然语言推理步骤与符号约束断言交织在一起,以在链式思维轨迹中早期检测并纠正多模态LLMs的错误。将雪球率从65%降低到14%,并在多个基准上提高了准确性。

RadAgent:用于胸部CT逐步解读的工具型AI代理

Hugging Face Daily Papers

RadAgent是一种使用工具的AI代理,通过可解释的逐步推理生成胸部CT报告,将临床准确率相对提升36.4%,并实现37%的忠实度——这是现有3D视觉语言模型所不具备的能力。该系统提供完全可检查的推理轨迹,使临床医生能够验证和优化诊断输出。