Transitiebewust best-of-N sampling voor longitudinale thoraxfotorapporten

Samenvatting

In de longitudinale klinische praktijk wordt elke thoraxfoto beoordeeld in de context van het eerdere onderzoek van de patiënt, en een groot deel van wat de radioloog communiceert, is de verandering van het ene bezoek naar het volgende. Voor zover wij weten, presenteren wij de eerste trainingsvrije best-of-N-steekproefmethode voor voorgetrainde thoraxfotoverslaggeneratoren die expliciet rekening houdt met deze longitudinale overgang van eerdere naar huidige toestand. We noemen het transitiebewuste best-of-N-steekproefmethode: elk verslag wordt opgesplitst in zinnen en ingebed in een ongeordende verzameling in R^d; elk (eerder, huidig) paar wordt gereduceerd tot een richtingsvector met vaste dimensie via een set-naar-set-afstand die is ontworpen om de verandering tussen de twee verzamelingen te coderen; en kandidaten worden gescoord op basis van de cosinusafstand van hun kandidaat-transitievector naar een opgeslagen bank van grondwaarheidstransitievectors uit de training, geaggregeerd als min of kNN. We geven het raamwerk vorm met vier directionele setafstanden (gemiddelde verschuiving, nieuwheidsresidu, gericht Hausdorff-anker en kostengewogen optimaal transport) en evalueren dit op een multi-visit AP-PA-cohort, waarbij we inferentie uitvoeren onder drie prompts met drie visie-taalgeneratoren. Transitiebewuste best-of-N presteert over de hele linie beter dan willekeurige selectie, met de grootste relatieve winst in de Impressie-sectie.

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.