MEDICINE & AI

タイトル：Reason like a radiologist: Chain-of-thought and reinforcement learning for verifiable report generation. 雑誌名：Med Image Anal. 2026 Mar; 109: 103910. 概　要： 放射線報告の生成は効率性において重要ですが、現在のモデルは専門家の構造的な推論や解剖学的証拠に基づく発見の明示的な根拠を欠いており、臨床的信頼性や説明可能性が制限されています。本研究では、空間的に検証可能で説明可能な胸部X線報告を生成するための統合トレーニングフレームワーク「BoxMed-RL」を提案します。BoxMed-RLは、医療概念学習を通じて放射線科医のような推論を学び、強化学習によって空間的な基盤を強化する2つのフェーズで胸部X線報告生成を進展させます。実験では、MIMIC-CXRおよびIU X-Rayという2つの広く使用されている公開ベンチマークで、BoxMed-RLが最先端の手法と比較してMETEORおよびROUGE-Lメトリックで平均7%の改善を達成したことが示されました。 方　法： この研究は、BoxMed-RLという統合トレーニングフレームワークを用いたもので、2つのフェーズから構成されています。第一に、医療概念学習を通じて放射線科医のような推論を学ぶ「プレトレーニングフェーズ」があり、次に、軽量アダプターを用いて流暢さと臨床的信頼性を確保する「ダウンストリームアダプターフェーズ」があります。実験はMIMIC-CXRおよびIU X-Rayの2つの公開ベンチマークで行われました。 結　果： BoxMed-RLは、最先端の手法と比較してMETEORおよびROUGE-Lメトリックで平均7%の改善を示しました。また、大規模言語モデルに基づくメトリックでも平均5%の改善が見られ、BoxMed-RLの高品質な報告生成における堅牢性が強調されました。 結　論： BoxMed-RLは、放射線報告生成において専門家の推論を模倣し、空間的に検証可能な報告を生成する能力を示しました。このフレームワークは、臨床現場での信頼性の向上に寄与する可能性があります。