计算机科学 > 计算机视觉与模式识别
[提交于 2025年7月31日
]
标题: 关于误导性报告的风险:诊断多模态临床AI中的文本偏差
标题: On the Risk of Misleading Reports: Diagnosing Textual Biases in Multimodal Clinical AI
摘要: 临床决策依赖于医学图像和相关临床报告的综合分析。 尽管视觉-语言模型(VLMs)可以为此类任务提供一个统一的框架,但它们可能对某一模态表现出强烈的偏见,经常忽视关键的视觉线索而偏向文本信息。 在本工作中,我们引入了选择性模态转移(SMS),这是一种基于扰动的方法,用于量化模型在二分类任务中对每个模态的依赖程度。 通过系统地在具有相反标签的样本之间交换图像或文本,我们揭示了模态特定的偏见。 我们在两个具有不同模态的医学影像数据集上评估了六种开源VLMs——四种通用模型和两种针对医学数据微调的模型:MIMIC-CXR(胸部X光)和FairVLMed(扫描激光眼底照相术)。 通过评估模型在未扰动和扰动设置下的性能以及每个模型的校准情况,我们发现对文本输入有显著依赖,即使存在互补的视觉信息也是如此。 我们还进行了一项基于注意力的定性分析,进一步确认了图像内容常常被文本细节所掩盖。 我们的研究结果突显了设计和评估真正整合视觉和文本线索的多模态医学模型的重要性,而不是依赖单一模态信号。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.