arXiv · cs.AI· Kun Zhao, Guodong Liu, Hui Ji, Siyuan Dai, Pan Wang, Jifeng Song, Heng Huang, Chenghua Lin, Liang Zhan, Haoteng Tang·· 8 小时前
HERO提出分层证据推理优化用于放射学报告生成
HERO: Hierarchical Evidential Reasoning Optimization for Radiology Report Generation via Reason-then-Summarize
arXiv:2601.03321v5阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Kun Zhao, Guodong Liu, Hui Ji, Siyuan Dai, Pan Wang, Jifeng Song, Heng Huang, Chenghua Lin, Liang Zhan, Haoteng Tang
研究任务与主要进展
Kun Zhao等提出HERO（Hierarchical rationalE Reasoning Optimization），通过片段、词元和完成三级策略优化，分别改进放射学报告生成中的推理、诊断与理由忠实度。基于论文摘要，该方法在MIMIC-CXR和IU-Xray上优于强监督学习与强化学习基线，并生成更受理由支持、推理与答案更一致的报告；摘要未说明具体实验设置和临床评估细节。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org