Microsoft Research Onthult CARE-X: Een Radiologie-VLM met Hulp-Supervisie, Beloningsgericht Leren en Tool-Gebaseerde Metingen

Microsoft Research heeft CARE-X ontwikkeld, een onderzoeksmodel voor de interpretatie van röntgenfoto's van de borstkas, dat generatieve en discriminatieve mogelijkheden combineert om een breed scala aan radiologietaken te ondersteunen, van het genereren van verslagen tot ziektedetectie en anatomische grondslagen. CARE-X is gebouwd op een SigLIP2-visie-encoder en het Phi-4-mini-taalmodel en voegt taakspecifieke hulpkoppen toe die gekalibreerde betrouwbaarheidsscores leveren, waardoor clinici de afweging tussen sensitiviteit en specificiteit kunnen aanpassen. Het model wordt getraind in drie fases van gesuperviseerde fine-tuning, gevolgd door DAPO-versterkend leren, dat taakspecifieke beloningen optimaliseert voor klinische verslaglegging, diagnostische nauwkeurigheid en ruimtelijke grondslagen. Op benchmarks zoals MIMIC-CXR, IU-Xray, CheXpert-Plus en ReXGradient behaalt CARE-X sterke prestaties, en het bereikt 94% nauwkeurigheid op de ReXVQA-benchmark, waarmee het andere openbaar gerapporteerde modellen overtreft. In een afzonderlijk experiment combineerde het team Qwen3-VL-4B-Instruct met deterministische meetinstrumenten om kwantitatieve beoordelingen uit te voeren, zoals cardiomegalie en aorta-verwijding, wat aanzienlijk beter presteerde dan alleen visuele benadering; zo verbeterde de F1-score voor cardiomegalie van 74,56 naar 96,00. Het model werd gevalideerd op echte Indiase klinische gegevens van Narayana Health, inclusief zeldzame ICU-pathologieën, maar het is een onderzoeksmodel dat niet is goedgekeurd voor klinisch gebruik.