흉부 X선 영상 보고서 생성에 위한 양성-미표기 선호도 최적화

Positive-Unlabeled Preference Optimization For Chest X-ray Report Generation

방사선학 보고서 생성에 사용되는 시각-언어 모델(VLMs)은 일반적으로 과거의 임상 보고서를 기반으로 학습되는데, 이러한 보고서는 누락 오류를 포함하는 경우가 많습니다. 즉, 실제로 존재하는 임상 소견이 미묘한 발견을 놓치는 경우 보고되지 않을 수 있습니다. 예를 들어, 이전 연구에서는 집중 치료실(ICU) 흉부 X선 영상 보고서에서 심장 비대가 모니터링 대상이 지원 장비의 위치에 맞춰져 있는 경우 누락될 수 있다는 사실이 밝혀졌습니다. 결과적으로, 기존 방식으로는 학습된 모델은 이러한 누락 오류를 그대로 반영하여 실제로는 존재하는 소견을 과소 보고하는 경향이 있습니다. 본 연구에서는 누락 오류가 선호도 신호에 영향을 미치지 않도록 하기 위한 선호도 최적화 프레임워크인 PU-DPO를 제안합니다. 우리는 목표 함수를 양성-미표기(PU) 학습 프레임워크 하에서 재정의하여, 언급되지 않은 부분은 실제 부정적인 예시가 아닌 '미표기된' 정보로 간주합니다. 우리의 프레임워크는 모델 응답에 대한 편집을 통해 생성된 대비 쌍을 사용하여 선호도 감독 신호를 제공하며, 이를 통해 특정 소견을 명시적으로 언급하거나 누락하는 다양한 변형을 생성합니다. 시각적 증거의 맥락에서 소견을 언급하는 응답은 일반적으로 더 선호됩니다. 반합성 실험 및 실제 흉부 방사선 영상 데이터셋에 대한 분석 결과, PU-DPO는 여러 질병 영역에서 검출률과 숨겨진 양성 값 복구 측면에서 일관된 성능 향상을 보여주며, 기존 방식보다 누락 오류에 더 강건합니다.

Vision-Language Models (VLMs) for radiology report generation are typically trained on retrospective clinical reports, which suffer from omission noise: clinically present findings are left unreported due to the omission of subtle findings. For example, prior studies show that cardiomegaly may be omitted from ICU chest X-ray reports when the imaging request is focused on monitoring support device placement. As a result, models trained with standard approaches inherit these omissions, learning to under-report findings themselves. We propose PU-DPO, a preference optimization framework to prevent omission noise from corrupting the preference signal. We reformulate the objective under a positive-unlabeled (PU) learning framework, treating absent mentions as unlabeled rather than truly negative. Our framework provides preference supervision using constructed contrastive pairs, generated using edits to model responses, producing variants that explicitly mention or omit a specific finding. Generated responses that mention the finding are naturally preferred in the context of visual evidence. Across semi-synthetic experiments and analyses on real-world chest radiograph benchmarks where adjudicated labels are available, PU-DPO yields consistent gains in detection rates and recovery of hidden positives across multiple pathologies, and is more robust to omission noise than prior approaches.