Microsoft Research, CARE-X'i Tanıtıyor: Yardımcı Denetim, Ödül Hizalı Öğrenme ve Araç Destekli Ölçüm İçeren Bir Radyoloji VLM'si

Microsoft Research, göğüs röntgeni yorumlaması için CARE-X adlı bir araştırma modeli geliştirdi. Bu model, rapor oluşturmadan hastalık sınıflandırmasına ve anatomik doğrulamaya kadar geniş bir radyoloji görevini desteklemek için üretken ve ayırt edici yetenekleri birleştiriyor. SigLIP2 görüntü kodlayıcı ve Phi-4-mini dil modeli üzerine inşa edilen CARE-X, klinisyenlerin duyarlılık-özgüllük dengesini ayarlamasına olanak tanıyan kalibre edilmiş güven puanları sağlayan göreve özgü yardımcı başlıklar ekliyor. Model, klinik raporlama, tanısal doğruluk ve uzamsal doğrulama için göreve özgü ödülleri optimize eden DAPO pekiştirmeli öğrenmesinin ardından üç aşamalı denetimli ince ayar ile eğitiliyor. MIMIC-CXR, IU-Xray, CheXpert-Plus ve ReXGradient gibi kıyaslamalarda CARE-X güçlü performans elde ediyor ve ReXVQA kıyaslamasında %94 doğruluğa ulaşarak diğer kamuya açıklanmış modelleri geride bırakıyor. Ayrı bir deneyde ekip, Qwen3-VL-4B-Instruct'ı kardiyomegali ve aort genişlemesi gibi nicel değerlendirmeleri ele almak için deterministik ölçüm araçlarıyla eşleştirdi; bu, yalnızca görsel yaklaşımdan önemli ölçüde daha iyi performans gösterdi; örneğin, kardiyomegali için F1 skoru 74.56'dan 96.00'ya yükseldi. Model, Narayana Health'ten gerçek dünya Hindistan klinik verileri üzerinde, nadir yoğun bakım patolojileri dahil doğrulandı, ancak klinik kullanım için onaylanmamış bir araştırma modelidir.