胸片报告先查解剖再下诊断：ARIVE把推理链摆到台面上，盲评质量与Qwen3.5相当
核心概要
胸片自动报告常写得通顺，却看不出哪块图像证据支撑了哪条结论。ARIVE把解剖区域检查与诊断推理交替进行，再据此撰写报告，训练数据为从MIMIC-CXR整理的159,416条多模态思维链轨迹。在MIMIC-CXR与仅含异常病例的MIMIC-ABN上，其临床效能指标整体高于所比较的模型；100例盲评中报告质量与Qwen3.5相近，平均分3.47对3.51，参考报告为3.88。
深度剖析
胸片报告生成现在可以先逐区域查看图像、再给出解释，最后才写报告，使每条结论都能追到对应的解剖区域和中间判断。 此前的注意力可视化、检索相似病例或图结构方法能标出与结论相关的区域，却说不清某个区域的证据如何改变诊断解释；纯文本思维链虽把推理写成可读叙述，却不保证每一步都落在图像上。 在MIMIC-CXR上与Qwen3.5、MedGemma-1.5、MAIRA-2、Libra、MLRG、PriorRG比较，ARIVE在七项临床效能指标上得分最高，42次比较中40次显著；两处例外分别是14观察宏平均对Qwen3.5和PriorRG。
模型在推理过程中按需请求解剖区域，把该区域的局部图像编码插回上下文，后续判断再基于这块证据继续。 这套流程由多模态思维链监督与解剖及临床内容优化共同训练，后者用解剖定位、推理阶段观察准确性、最终报告观察准确性和报告实体关系四项奖励联合优化。 训练轨迹取自MIMIC-CXR，锚定Chest ImaGenome的29个解剖区域；去掉解剖定位奖励后各项指标均下降，去掉报告阶段临床奖励则最终报告微平均降幅最大，Gold子集上从0.505降到0.463。
启示与展望
结论建立在MIMIC-CXR及其异常子集MIMIC-ABN的单中心数据上，仅使用正位胸片，解剖监督来自Chest ImaGenome的29个预定义区域而非病灶或三维结构；作者提出后续让模型在无框标注条件下自行识别诊断相关区域。
上、中肺野与肺尖区域合计只占约2.8%的解剖框标注，这些区域定位偏弱，作者推测这可能与Consolidation和Pneumothorax的CheXbert得分偏低有关，但明确称该解释仍是假设；思维链轨迹由大模型从报告改写而来，可能继承原报告的遗漏与机构书写习惯，不应视为放射科医生认知的忠实重建；带轨迹复核时识别出错误的报告从8例增至11例，但中位复核时间从24.5秒升至42.5秒。