DiagR1:通过强化学习训练的视觉语言模型用于消化病理诊断
IEEE journal of biomedical and health informatics
|March 3, 2026
概括
这项研究通过改善多式模式模型中的数据质量和推理透明度来增强胃肠道病理学的AI. 新的方法导致更准确,结构化和临床相关的诊断报告.
科学领域:
- 病理学 病理学 病理学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 多模式大模型显示出对病理学图像分析的前景.
- 目前的模型面临着数据质量和推理透明度的挑战,导致错误和缺乏信任.
研究的目的:
- 提高人工智能生成的胃肠道病理学诊断报告的准确性和可靠性.
- 解决数据质量问题,提高多式联运模型中的推理透明度.
主要方法:
- 构建了一个大规模的胃肠道病理学数据集,包括显微镜描述和诊断结论.
- 开发了一个快速增强策略,包括病变分类和解剖部位信息.
- 采用后培训管道,监督微调和集团相对政策优化 (GRPO).
主要成果:
- 拟议的方法在产生质量,结构完整性和临床相关性方面明显优于最先进的基线.
- 实现了18.7%更高的临床相关性,32.4%更好的结构完整性和41.2%更少的诊断错误.
- 在现实世界病理学报告生成任务中证明了卓越的准确性和临床实用性.
结论:
- 开发的方法增强了胃肠道病理学的多式人工智能,产生了更可靠和临床有用的诊断报告.
- 该方法有效地解决了数据质量和推理透明度问题,为临床实践中可靠的人工智能铺平了道路.
