TAVR-VLM: Risk-Conditioned Causal Grounding for Hallucination-Resistant Report Generation

📄 arXiv: 2606.26874v1 📥 PDF

作者: Zhixiang Lu, Xiwei Liu, Sifan Song, Changkai Ji, Anh Nguyen, Jionglong Su, Imran Razzak, Jinfeng Wang

分类: cs.AI

发布日期: 2026-06-25

💡 一句话要点

提出TAVR-VLM以解决TAVR规划中的诊断幻觉问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多模态学习 医疗AI 文本生成 风险评估 因果推理

📋 核心要点

  1. 现有多模态大型语言模型在TAVR规划中面临严重的诊断幻觉问题，导致生成文本缺乏解剖学基础。
  2. 本文提出的TAVR-VLM框架通过风险条件因果基础注意力（R-CGA）实现了多模态输入的有效压缩和结构化处理。
  3. 在M^3TAVR数据集上，TAVR-VLM实现了AUROC 0.896和CIDEr 0.936，幻觉率降低至8.1%，显著提升了模型的可解释性。

📝 摘要（中文）

经导管主动脉瓣置换术（TAVR）规划需要细致的多模态推理。然而，现有的多模态大型语言模型（MLLMs）在这一高风险领域的适应性受到诊断幻觉的严重阻碍，生成的文本缺乏解剖学基础。为了解决这一问题，本文提出了TAVR-VLM框架，采用风险条件因果基础注意力（R-CGA），建立了模型内部的“风险→区域→词”结构基础路径。R-CGA将多模态输入压缩为因果风险瓶颈，提炼密集的视觉特征为全局风险掩码。在自回归生成过程中，支持投影的因果一致性目标限制了在风险定义的支持掩码内的标记级基础。TAVR-VLM在包含1482名患者的M^3TAVR数据集上评估，建立了新的最先进水平，AUROC达到0.896，CIDEr提升至0.936，幻觉率显著降低至8.1%，从而提高了基于证据的外科AI的可解释性。

🔬 方法详解

问题定义：本文旨在解决TAVR规划中多模态大型语言模型的诊断幻觉问题，现有方法在高风险医疗场景中生成的文本缺乏必要的解剖学基础，影响了临床决策的准确性。

核心思路：提出的TAVR-VLM框架通过风险条件因果基础注意力（R-CGA）实现了对多模态输入的有效压缩，形成“风险→区域→词”的结构化基础路径，从而增强生成文本的解剖学准确性。

技术框架：TAVR-VLM的整体架构包括多模态输入的处理模块、因果风险瓶颈的构建、全局风险掩码的生成以及自回归文本生成模块，确保生成过程中的一致性和准确性。

关键创新：R-CGA是本文的核心创新，通过将多模态输入压缩为因果风险瓶颈，显著提高了生成文本的解剖学基础，与现有方法相比，减少了幻觉现象的发生。

关键设计：模型设计中采用了支持投影的因果一致性目标，限制了生成过程中标记级的基础，确保生成文本在风险定义的支持掩码内，从而提升了模型的可解释性和准确性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

TAVR-VLM在M^3TAVR数据集上取得了显著的实验结果，AUROC达到0.896，CIDEr提升至0.936，幻觉率降低至8.1%，标志着在医疗文本生成领域的重大进展。

🎯 应用场景

该研究的潜在应用领域包括医疗影像分析、外科手术规划和智能医疗助手等。通过提高生成文本的解剖学准确性，TAVR-VLM能够为外科医生提供更可靠的决策支持，未来可能在临床实践中发挥重要作用。

📄 摘要（原文）

Transcatheter Aortic Valve Replacement (TAVR) planning requires meticulous multimodal reasoning. However, adapting Multimodal Large Language Models (MLLMs) to this high-stakes domain is severely impeded by diagnostic hallucinations, where generated text lacks anatomical grounding. To address this, TAVR-VLM is introduced: a novel framework featuring Risk-Conditioned Causal Grounding Attention (R-CGA) that instantiates a model-internal ``Risk $\rightarrow$ Region $\rightarrow$ Word'' structural grounding pathway. R-CGA compresses multimodal inputs into a causal risk bottleneck, purifying dense visual features into a global risk mask. During autoregressive generation, a support-projected causal consistency objective constrains token-level grounding within the risk-defined support mask. Evaluated on $\text{M}^3\text{TAVR}$, a comprehensive 1,482-patient cohort, TAVR-VLM establishes a new state-of-the-art. It achieves an AUROC of 0.896, boosts CIDEr to 0.936, and drastically reduces the hallucination rate to 8.1\%, thereby improving interpretability for evidence-based surgical AI.