CBM-RAG: Demonstrating Enhanced Interpretability in Radiology Report Generation with Multi-Agent RAG and Concept Bottleneck Models

要約

生成人工知能（AI）の進歩は、放射線学のワークフローを自動化するための大きな可能性を秘めていますが、解釈可能性と信頼性の課題は臨床採用を妨げます。
このホワイトペーパーでは、コンセプトボトルネックモデル（CBM）とマルチエージェント検索の高級生成（RAG）システムを組み合わせて、AIのパフォーマンスを臨床的説明可能性と組み合わせた自動放射線レポート生成フレームワークを紹介します。
CBMSマップ胸部X線の特徴は、人間の理解可能な臨床概念に合わせて、透明な疾患の分類を可能にします。
一方、RAGシステムは、マルチエージェントのコラボレーションと外部知識を統合して、文脈的に豊富な証拠に基づいたレポートを作成します。
私たちのデモンストレーションは、解釈可能な予測を提供し、幻覚を緩和し、精度、信頼、ユーザビリティの課題に対処するインタラクティブなインターフェイスを使用して高品質のテーラードレポートを生成するシステムの能力を示しています。
このフレームワークは、診断の一貫性を改善し、実用的な洞察を持つ放射線科医に力を与えるための経路を提供します。

要約(オリジナル)

Advancements in generative Artificial Intelligence (AI) hold great promise for automating radiology workflows, yet challenges in interpretability and reliability hinder clinical adoption. This paper presents an automated radiology report generation framework that combines Concept Bottleneck Models (CBMs) with a Multi-Agent Retrieval-Augmented Generation (RAG) system to bridge AI performance with clinical explainability. CBMs map chest X-ray features to human-understandable clinical concepts, enabling transparent disease classification. Meanwhile, the RAG system integrates multi-agent collaboration and external knowledge to produce contextually rich, evidence-based reports. Our demonstration showcases the system’s ability to deliver interpretable predictions, mitigate hallucinations, and generate high-quality, tailored reports with an interactive interface addressing accuracy, trust, and usability challenges. This framework provides a pathway to improving diagnostic consistency and empowering radiologists with actionable insights.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google