锥形束CT报告生成：部分可观测目标下的临床推理陷阱

一个被评分规则扭曲的医学AI任务

从锥形束计算机断层扫描（Cone Beam CT，CBCT）自动生成颌面部影像报告，看似是又一个多模态医学AI的常规应用。但这篇arXiv新论文揭示了一个更深层的问题：当评估目标只有一部分对开发者可见时，模型优化会走向何方？

研究者设计的复合评分把 80% 的权重放在大语言模型对事实蕴含（factual entailment）的判断上，仅 20% 落在词汇重叠（lexical overlap）上。关键在于，开发阶段只有那 20% 的词汇部分是可见的——这就是标题所说的"部分可观测目标"（partially observed objective）。开发者能看到的，恰恰不是真正决定分数的那部分。

这种设置直接模拟了现实中一个常见困境：我们用来训练和调优模型的代理指标（如 BLEU、METEOR），往往与我们真正关心的临床质量目标并不一致。

追逐词汇重叠反而拉低事实准确性

论文最有力的实证发现来自 622 个公开案例的对比实验。研究者首先在纯 Python 中复现了评分器的 BLEU-4 和 METEOR 例程，精度与参考实现达到机器精度级别的一致；同时构建了一个离线的蕴含代理模型，它能以 0.987 的 AUC 区分"为患者A写的报告"和"为患者B写的报告"，从而让直接优化复合目标变得计算成本可控。

结果颇具讽刺意味：

• 按可见的词汇排名挑选的报告，复合得分仅为 0.2909；
• 按完整复合目标挑选的报告，得分升至 0.4122。

差距的根源在于，一味追逐 n-gram 重叠会把蕴含精度（entailment precision）从 0.522 拖低到 0.266。换句话说，让报告在字面上更"像"参考答案，反而使其在事实层面更不可靠。这是对纯词汇类指标在医学报告生成中适用性的一记警钟。

模型学到的是口述习惯，而非解剖结构

更值得警惕的发现，是关于词汇指标究竟在奖励什么。研究者训练了一个 2900 万参数的编码器，在公开数据上微调后，对 985 条陈述的"流行度加权跨折 AUC"仅为 0.486——与语料库先验（corpus prior）无法区分，几乎等于没学到有效信息。

然而，从影像文件头（header）中直接读取的九个数字，对下颌骨覆盖度的预测 AUC 达到 0.945，髁突覆盖度达到 0.872。更耐人寻味的是，仅凭采集中心（acquisition centre）这一个变量，预测句子选择的准确率就达到 0.718，反而高于影像衍生模型的 0.663。

这意味着，词汇指标真正奖励的是各医疗机构的口述惯例（dictation convention），而非影像中的解剖学信息。不同中心的医生有各自固定的措辞习惯，模型只要摸清"这份报告来自哪家中心"，就能在词汇匹配上得高分——这与临床推理能力毫无关系。

用约束换取可信度的交付系统

面对这些陷阱，研究者交付的系统采取了保守而结构化的策略。它输出 8 条无条件陈述，以及 5 条在文件头几何信息基础上、受极性（polarity）、侧别（laterality）和牙位级别一致性约束的门控陈述（gated statements）。

这套系统在来自一个未见过的中心的 50 个留出案例上，取得了 METEOR 0.3542 的成绩。这个数字本身不算惊艳，但考虑到它是在跨中心泛化的严苛条件下取得的，并且建立在对指标缺陷的清醒认知之上，其可信度反而更高。

数据集与代码已在 GitHub 公开（GIND123/CBCT-Clinical-Reasoner），便于后续研究复现和验证。

对医学AI评估的启示

这项工作的价值超出了 CBCT 报告生成本身。它以严谨的量化证据说明了几个普遍问题：

第一，代理指标的可见性会塑造优化方向。当开发者只能优化可见的那部分目标，且该部分与真实目标不一致时，模型很容易走向表面达标、实质失效。

第二，词汇重叠指标在医学文本中可能是危险的。它们奖励的是格式与措辞习惯，而非事实正确性，甚至可能与事实准确性负相关。

第三，简单基线是必要的照妖镜。用文件头元数据、采集中心这类"泄漏特征"做对照，能有效暴露出模型是否真的在做临床推理，还是在利用统计捷径。

对于任何构建医学影像报告生成系统的团队，这篇论文都值得作为方法论层面的参考——在追求高分之前，先搞清楚分数究竟在衡量什么。