종적 흉부 X-선 보고서를 위한 전환 인식 Best-of-N 샘플링

초록

종적 임상 실무에서 모든 흉부 X선은 이전 검사의 맥락에서 판독되며, 방사선 전문의가 전달하는 정보의 대부분은 한 방문에서 다음 방문으로의 변화입니다. 본 연구에서는, 알려진 바로는 최초로, 사전 훈련된 흉부 X선 판독문 생성기를 위한 훈련 없는 최상의 N 샘플링 기법을 제시하며, 이는 이러한 종적 사전 정보에서 현재 전이로의 변화를 명시적으로 인식합니다. 이를 전이 인식 최상의 N 샘플링(transition-aware best-of-N sampling)이라 명명하며, 각 판독문은 문장 단위로 분할되어 R^d의 비순서 집합으로 임베딩되고, 각 (사전, 현재) 쌍은 두 집합 간의 변화를 인코딩하도록 설계된 집합 간 거리(set-to-set distance)를 통해 고정 차원의 방향 벡터(directional vector)로 축소됩니다. 후보들은 해당 후보 전이 벡터와 실제 훈련 전이 벡터의 캐시된 저장소(cached bank) 간의 코사인 거리를 기준으로 점수가 매겨지며, 이는 최소값(min) 또는 k-최근접 이웃(kNN)으로 집계됩니다. 우리는 이 프레임워크를 네 가지 방향 집합 거리(평균 이동(mean-shift), 참신 잔차(novelty residual), 방향성 하우스도르프 앵커(directed-Hausdorff anchor), 비용 가중 최적 수송(cost-weighted optimal transport))로 구체화하고, 다중 방문 AP-PA 코호트에서 평가하여 세 가지 프롬프트로 세 가지 시각-언어 생성기에서 추론을 실행합니다. 전이 인식 최상의 N 샘플링은 전반적으로 무작위 선택보다 성능이 우수하며, 특히 소견(Impression) 섹션에서 가장 큰 상대적 이득을 보였습니다.

English

In longitudinal clinical practice, every chest X-ray is read in the context of the patients prior exam, and much of what the radiologist communicates is the change from one visit to the next. To the best of our knowledge, we present the first training-free best-of-N sampling scheme for pre-trained chest X-ray report generators that is explicitly aware of this longitudinal prior to current transition. We call it transition-aware best-of-N sampling, each report is split into sentences and embedded into an unordered set in Rd; each (prior, current) pair is reduced to a fixed-dim directional vector via a set-to-set distance designed to encode the change between the two sets; and candidates are scored by cosine distance from their candidate transition vector to a cached bank of ground-truth training transition vectors, aggregated as min or kNN. We instantiate the framework with four directional set distances (mean-shift, novelty residual, directed-Hausdorff anchor, and cost-weighted optimal transport) and evaluate on a multi-visit AP-PA cohort, running inference under three prompts on three vision-language generators. Transition-aware best-of-N outperforms random selection across the board, with the largest relative gains on the Impression section.