💬 NLP

Modeling Clinical Uncertainty in Radiology Reports: from Explicit Uncertainty Markers to Implicit Reasoning Pathways

该论文提出了一种双框架方法，通过基于专家验证的大语言模型量化显性不确定性，并利用专家定义的诊断路径扩展隐性不确定性，从而发布了包含不确定性信息的增强版结构化放射学报告基准 Lunguage++。

原作者： Paloma Rabaey, Jong Hak Moon, Jung-Oh Lee, Min Gwan Kim, Hangyul Yoon, Thomas Demeester, Edward Choi

发布于 2026-03-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Paloma Rabaey, Jong Hak Moon, Jung-Oh Lee, Min Gwan Kim, Hangyul Yoon, Thomas Demeester, Edward Choi

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文就像是在教计算机如何像老练的放射科医生一样“读”X 光报告，特别是教它如何理解医生话语中那些模棱两可和没明说的部分。

想象一下，放射科医生写的报告就像是一份侦探笔记。但这份笔记有两个大问题，让普通的电脑程序很难读懂：

明面上的“不确定”：医生有时候会说“可能是肺炎”、“疑似有积液”。这就好比侦探说“嫌疑人可能在附近”。普通的程序要么认为“是”，要么认为“不是”，很难理解这种“可能是”到底有多少把握。
暗地里的“省略”：医生为了简洁，往往只写结论，不写推理过程。比如医生直接写“心力衰竭”，但没写“心脏变大”或“肺里有水”。这就好比侦探直接说“案子破了”，却把关键的线索（比如指纹、脚印）都藏起来了。电脑看到“没提到指纹”，会误以为“肯定没有指纹”，其实只是医生懒得写而已。

这篇论文就是为了解决这两个问题，推出了一个叫 Lunguage++ 的新工具。我们可以把它想象成给电脑装上了一个**“超级翻译官”和一个“逻辑补全器”**。

第一部分：给“模棱两可”打分（处理明面上的不确定）

以前的做法：
以前的系统像是一个死板的红绿灯。看到“可能”，就亮黄灯（不确定）；看到“肯定”，就亮绿灯。但这太粗糙了，因为“可能”在医生嘴里，有时候是 60% 的把握，有时候只有 30%。

这篇论文的做法：
他们发明了一个**“语言天平”**。

收集词汇：他们让大语言模型（LLM）像玩**“比大小”的游戏**一样，去比较成千上万句医生写的句子。比如，让模型判断：“可能有点肺炎”和“疑似肺炎”哪个更确定？
建立排名：通过这种比较，他们给 42 个常用的“不确定词汇”（如“可能”、“疑似”、“难以排除”）排了一个座次表。最确定的排在最上面，最不确定的排在最下面。
打分：当电脑读到一句新报告时，它会根据这个“座次表”，给这句话里的发现打出一个0 到 1 之间的分数。
- 比喻：就像给天气预报的“降水概率”打分。以前只告诉你“会下雨”或“不会下雨”，现在它能告诉你“有 45% 的概率下雨”。

第二部分：把“省略的线索”补回来（处理暗地里的不确定）

以前的做法：
电脑看到报告里只写了“心力衰竭”，没写“心脏变大”，它就会认为“心脏没变大”。这就像侦探只看到了“凶手跑了”，却没看到“地上的脚印”，于是误以为“现场没有脚印”，导致推理错误。

这篇论文的做法：
他们请来了14 位医学专家（放射科医生等），画出了 14 种常见病的**“推理地图”**（诊断路径）。

推理地图：这是一张树状图。比如，如果确诊了“心力衰竭”，那么根据医学常识，几乎肯定（超过 80% 的概率）会伴随“心脏变大”和“肺水肿”。
自动补全：当电脑读到“心力衰竭”时，它不会只记这一条，而是会顺着“推理地图”，自动把“心脏变大”和“肺水肿”这些隐含的线索也补上，并打上“这是推断出来的”标签。
比喻：这就像看一部悬疑电影。如果主角说“我杀了人”，聪明的观众（电脑）会自动脑补出“现场有血迹”、“凶器不见了”等画面，即使电影里没直接拍出来。

第三部分：解决“打架”的线索（冲突解决）

有时候，补全的线索会和报告里原本写的冲突。

例子：报告里说“没有肺炎”，但根据“心力衰竭”的推理地图，可能会推断出“可能有肺炎”。
解决办法：电脑有一套**“裁判规则”。它优先相信医生亲口写下的**（原报告），如果原报告说“没有”，那推断出来的“有”就被忽略。如果都是推断出来的，就选那个把握更大的。

总结：Lunguage++ 是什么？

这就好比把一份只有结论的“侦探简报”，升级成了一份包含所有推理过程、线索概率和逻辑链条的“完整案卷”。

对医生和 AI 的好处：
1. 更精准：AI 不再把“可能”当成“肯定”或“否定”，而是知道这是一个概率。
2. 更完整：AI 能理解医生没写出来的逻辑，不会因为“没提到”就误判为“不存在”。
3. 更可信：未来的医疗 AI 可以像人类专家一样，不仅给出诊断，还能解释“为什么这么判断”，以及“这个判断有多大的把握”。

一句话概括：
这篇论文教 AI 学会了**“听懂弦外之音”（理解没写出来的逻辑）和“掂量话中分量”**（量化不确定性的程度），让医疗 AI 从只会背书的“小学生”，进化成了能理解复杂语境的“实习生”。

这是一篇关于在放射学报告中建模临床不确定性的学术论文，题为《Modeling Clinical Uncertainty in Radiology Reports: from Explicit Uncertainty Markers to Implicit Reasoning Pathways》。该研究由 Ghent University、KAIST、Mount Sinai Hospital 和首尔国立大学医院的研究人员合作完成。

以下是对该论文的详细技术总结：

1. 研究背景与问题定义 (Problem)

放射学报告是临床决策的核心，但其中天然包含两种形式的不确定性，现有的结构化方法往往难以处理：

显性不确定性 (Explicit Uncertainty)：放射科医生使用模糊限定词（hedging phrases，如 "possible", "suggesting", "may represent"）来表达对发现存在与否的怀疑。
- 挑战：现有的基于规则的系统通常只能进行二值或三值分类（阳性/不确定/阴性），无法量化不确定性的程度。且不同限定词在不同语境下的含义差异巨大，专家评分也存在不一致性。
隐性不确定性 (Implicit Uncertainty)：放射科医生为了简洁，往往只记录关键发现或最终诊断，而省略了支持该诊断的中间推理步骤或特征性亚发现（sub-findings）。
- 挑战：未提及的发现是“确实不存在”还是“仅因简洁而未记录”？这种歧义会导致数据偏差，阻碍 AI 模型学习放射科医生的完整推理逻辑。

2. 方法论 (Methodology)

作者提出了一个两部分的框架来解决上述问题，并发布了增强版数据集 Lunguage++。

2.1 显性不确定性量化 (Quantifying Explicit Uncertainty)

目标是给每个带有“暂定 (tentative)"标签的发现分配一个 0 到 1 之间的连续概率值。

构建限定词词汇表：利用 LLM (Gemini) 从 2,066 个暂定发现 - 句子对中提取限定词，最终获得 42 个常见限定词（如 "likely", "possible", "suggesting"）。
构建参考排序 (Reference Ranking)：
- 引入 TrueSkill 算法（源自竞技游戏排名系统），将限定词视为“玩家”，通过成对比较来推断其相对“技能”（即确定性程度）。
- 利用 4 个 LLM (Gemini, GPT-4o, Claude, MedGemma) 作为裁判，对 42 个限定词进行 8,610 次成对比较（每次比较随机抽取包含该限定词的句子）。
- 通过贝叶斯推断更新每个限定词的平均技能值 ( $\mu$ )，生成一个专家验证的参考排序。
映射到概率：
- 对于新的发现 - 句子对，将其与参考排序中的限定词进行迭代比较，确定其在排序中的位置。
- 使用 Sigmoid 函数将 TrueSkill 分数 $\mu$ 映射为概率 $p \in [0, 1]$ 。锚点由两位放射科医生对极端案例（"least likely" 和 "most likely"）的评分确定。

2.2 隐性不确定性建模 (Modeling Implicit Uncertainty)

目标是利用专家定义的诊断路径 (Diagnostic Pathways) 来推断并补充报告中未明确提及的特征性亚发现。

诊断路径构建：
- 针对 14 种常见的胸部 X 光 (CXR) 诊断（如肺炎、心力衰竭、气胸等），由放射科医生和 AI 专家共同构建有向无环图 (DAG)。
- 路径定义了从高层诊断到具体亚发现（如：心力衰竭 $\to$ 心脏扩大 + 肺水肿 + 呼吸困难）的层级关系，并设定了高置信度阈值（>80%）。
路径扩展框架 (Pathway Expansion Framework)：
1. 发现去重：合并语义相似的发现，消除冗余。
2. 路径匹配：根据发现、位置、属性和影像视图，将报告中的发现匹配到最合适的诊断路径。
3. 递归扩展：如果匹配到诊断路径，则递归地推断出所有子发现（Sub-findings）。
  - 属性继承：子发现继承父发现的诊断状态（阳性/阴性）、确定性（暂定/明确）和概率值。
  - 逻辑约束：仅对阳性发现进行扩展（例如，“无肺炎”不意味着“无阴影”）。
4. 冲突解决：处理原始报告与扩展内容之间，或不同扩展内容之间的冲突（如状态矛盾或确定性冲突）。优先保留原始报告内容，若均为扩展内容则保留概率更高者。

3. 关键贡献 (Key Contributions)

显性不确定性量化框架：
- 提出了首个基于 LLM 成对比较和 TrueSkill 算法的自动化框架，将模糊的限定词转化为连续的概率值。
- 发布了一个经过专家验证的 42 个常见限定词的参考排序表。
隐性不确定性建模框架：
- 首次系统性地通过专家定义的 14 种 CXR 诊断路径来建模隐性不确定性。
- 提出了一种规则驱动的扩展框架，能够重构被省略的诊断证据，使结构化报告更忠实于放射科医生的推理过程。
Lunguage++ 数据集：
- 在原有 Lunguage 数据集（1,473 份标注报告）基础上，发布了 Lunguage++。
- 该数据集不仅包含细粒度的结构化三元组，还增加了连续的概率值（针对显性不确定性）以及通过路径推断出的 4,761 个新亚发现（针对隐性不确定性）。

4. 实验结果 (Results)

显性不确定性：
- 专家评估显示，参考排序与放射科医生及内科医生的判断具有高度一致性（平均一致率约 77%-80%）。
- 在 Lunguage 数据集中，2,066 个暂定发现的平均概率为 0.459，标准差为 0.185，成功覆盖了从“几乎不存在”到“几乎肯定存在”的连续谱系。
隐性不确定性：
- 在 14,049 个原始结构化发现中，18.7% (2,639 个) 被识别为可沿路径扩展的锚点。
- 通过扩展框架，成功推断出 4,761 个额外的亚发现，使数据集规模增加了 33.9%。
- 扩展过程中产生的冲突率很低（约 3.2%），且经冲突解决后，所有剩余不一致均被消除，保证了数据的逻辑一致性和临床有效性。
成本效益：
- 构建参考排序和概率映射的 LLM 调用总成本约为 ** $92.16**（平均每对发现约$ 0.045），展示了该方法的可扩展性。

5. 意义与影响 (Significance)

提升 AI 模型的临床忠实度：Lunguage++ 为训练和评估医疗 AI 提供了更丰富的资源，使模型不仅能识别“有什么”，还能理解“有多确定”以及“为什么这么判断”。
支持不确定性感知任务：该资源可用于训练具有不确定性感知能力的图像分类器、指导视觉 - 语言模型生成更准确的报告，以及研究诊断不确定性对下游临床结果的影响。
方法论创新：将游戏排名算法（TrueSkill）应用于医学语言处理，以及利用 DAG 进行诊断推理重构，为处理非结构化医疗文本中的模糊性和隐含信息提供了新的范式。
局限性：目前路径扩展是单向的（自上而下），未考虑双向或循环依赖；概率传播假设子发现与父发现具有相同的概率值，这可能过于简化。未来工作将探索更复杂的图结构和视觉验证。

总结：该论文通过结合大语言模型（LLM）的推理能力和专家定义的医学知识图谱，成功地将放射学报告中模糊的显性不确定性和被省略的隐性推理转化为机器可读的、量化的结构化数据，显著提升了放射学报告在 AI 应用中的可用性和临床解释性。