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
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。
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
基于医学令牌的覆盖感知推理用于下次就诊诊断预测
CARing 框架通过组合式语义 ID 与覆盖感知的强化学习奖励,优化大语言模型在多标签下次就诊诊断预测任务中的推理轨迹,并在 MIMIC-III/IV 数据集上超越所有基于 EHR 训练的基线模型。
DeAR:通过能力锚定与协作思维导航的分散式代理推理
DeAR是一个分散式代理推理框架,通过能力锚定与协作思维导航,在知识密集型推理任务中提升准确性,在多模态基准测试上优于集中式方法。
基于约束锚定的推理轨迹
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。
CADENCE:一种用于从心电图基础模型中可解释性神经概念提取的心脏原子词典
CADENCE 使用稀疏自编码器将心电图基础模型表示分解为可解释的生理概念,显著改善了与临床表型和波形形态的一致性。
RadAgent:用于胸部CT逐步解读的工具型AI代理
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。