The Slop Paradox: How Synthetic Standardization Erodes Clinical Uncertainty and Cross-Modal Alignment in AI-Rewritten Radiology Reports

📄 arXiv: 2606.17791v1 📥 PDF

作者: Samar Ansari

分类: cs.CL, cs.CV

发布日期: 2026-06-16

💡 一句话要点

揭示合成标准化如何影响临床不确定性与跨模态对齐

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

关键词: AI辅助文档 放射学报告 多模态对齐 信息退化 临床不确定性 医学NER BiomedCLIP 混乱悖论

📋 核心要点

  1. 现有AI辅助文档工具在重写放射学报告时，可能导致信息的显著损失，影响临床决策。
  2. 本文通过对不同重写任务的控制实验，探讨了信息退化与跨模态对齐之间的关系，揭示了潜在的悖论。
  3. 实验结果显示，EHR总结任务虽然信息损失严重，但对齐性几乎不变，而标准化重写却导致更大对齐损失，挑战了传统认知。

📝 摘要（中文）

随着AI辅助临床文档工具的普及，利用大型语言模型（LLMs）对放射学报告进行总结、标准化和重写，信息退化问题日益突出。本文通过对印第安纳大学数据集中450份胸部X光报告的分析，探讨了三种重写任务对信息的影响，包括EHR总结、标准化重写和教学案例准备。研究发现，EHR总结在内容层面造成了51.4%的临床实体和43.7%的不确定性语言的损失，但几乎完全保留了图像-文本对齐。相反，旨在生成更清洁训练数据的标准化重写和教学案例准备反而导致了更大的对齐损失。我们称之为“混乱悖论”，即为了多模态训练而使临床文本看起来更干净的重写，实际上却使其与图像的对齐性下降。此研究对多模态医学AI数据集构建及AI辅助临床文档的治理具有重要意义。

🔬 方法详解

问题定义：本文旨在解决AI重写放射学报告时信息退化与跨模态对齐之间的矛盾。现有方法未能有效平衡信息保留与对齐性，导致临床应用中的不确定性增加。

核心思路：通过对三种重写任务的系统分析，评估其对临床实体、临床不确定性语言及图像-文本对齐的影响，揭示“混乱悖论”。

技术框架：研究采用印第安纳大学的450份胸部X光报告，进行EHR总结、标准化重写和教学案例准备三种重写任务，使用医学命名实体识别（NER）和BiomedCLIP进行对齐度评估。

关键创新：提出了“混乱悖论”这一概念，指出为了清洁训练数据而进行的重写反而导致了信息与图像的对齐性下降，挑战了传统的文档处理方法。

关键设计：在实验中，使用了医学NER来测量临床实体的保留率，并通过BiomedCLIP评估图像-文本的相似性，确保了对齐度的准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，EHR总结任务导致51.4%的临床实体和43.7%的不确定性语言损失，但图像-文本对齐仅下降2.5%。而标准化重写和教学案例准备任务则导致14.9-16.5%的对齐损失，显示出信息保留与对齐性之间的显著矛盾。

🎯 应用场景

该研究的发现对多模态医学AI的数据集构建具有重要指导意义，尤其是在临床文档的治理和优化方面。通过理解不同重写任务对信息保留和对齐性的影响，未来可以更有效地设计AI辅助工具，提升临床决策的准确性和可靠性。

📄 摘要（原文）

AI-assisted clinical documentation tools increasingly summarize, standardize, and reformat radiology reports using large language models (LLMs). We present a controlled measurement of the resulting information degradation. Using 450 chest X-ray reports from the Indiana University dataset, we generate synthetic versions via three realistic LLM rewriting tasks: EHR summarization, standardized rewriting, and teaching case preparation. We measure entity erosion (via medical NER), hedging collapse (loss of clinical uncertainty language), and cross-modal alignment degradation (via BiomedCLIP image-text similarity). Our central finding is a dissociation between information loss and cross-modal fidelity. EHR summarization is the most destructive at the content level, eroding 51.4% of clinical entities and 43.7% of hedging language, yet it preserves image-text alignment almost entirely (a 2.5% drop). The two tasks meant to produce cleaner training data, standardized rewriting and teaching case preparation, do the reverse: they preserve more entities (26.8% and 29.3% eroded) but cause 14.9-16.5% alignment drops, six to seven times those of EHR summarization. We term this the slop paradox: rewriting that makes clinical text look cleaner for multimodal training is precisely what pulls it away from the image. Contrary to our pre-specified hypothesis, rare pathologies were not preferentially degraded: across nine rare-versus-common comparisons, no difference survived multiple-comparison correction, and nominal differences ran in the opposite direction (common > rare), so contamination is invisible to condition-specific monitoring. The dominant determinant of degradation is the type of AI rewriting task, not the clinical content. These findings bear on multimodal medical AI dataset construction and the governance of AI-assisted clinical documentation.