基于变分风险最小化的置信门控云-边级联分诊用于医学影像
Confidence-Gated Cloud-Edge Cascade Triage via Variational Risk Minimization for Medical Imaging
浏览论文内容
中文总结 AI 辅助
针对急诊胸部X光分诊中报告滞后导致的模态差距，提出变分风险最小化蒸馏框架，利用LVLM报告变体作为潜在解释样本，实现不确定性感知监督；在边缘学生模型中，置信门控级联达到AUC 0.941、延迟103ms、云升级20.3%，为云-边临床工作流提供可靠性-延迟权衡点。
中文摘要 AI 辅助
急诊胸部X光片（CXR）分诊存在结构性模态差距：报告在分诊决策之后才到达，而多模态基础模型需要图像-文本输入。我们提出了变分风险最小化（VRM），一种蒸馏框架，将LVLM生成的报告变体视为潜在临床解释的蒙特卡洛样本。VRM不是从单一教师目标进行蒸馏，而是从变分边缘化的教师分布中学习，从而在缺失模态约束下实现不确定性感知的监督。在匹配的编码器系列下，VRM优于直接微调基线，并改善了校准，且能从幻觉监督中强力恢复。边缘化监督减少了报告选择的波动性。在我们的紧凑型边缘学生实例中，置信门控级联在103毫秒平均延迟下达到AUC 0.941，云升级率为20.3%，为云-边临床工作流提供了明确的可靠性-延迟操作点。
英文摘要
Emergency chest X-ray (CXR) triage has a structural modality gap: reports arrive after triage decisions, yet multimodal foundation models require image-text inputs. We present Variational Risk Minimization (VRM), a distillation framework that treats LVLM-generated report variants as Monte Carlo samples of latent clinical interpretations. Rather than distilling from a single teacher target, VRM learns from a variationally marginalized teacher distribution, enabling uncertainty-aware supervision under missing-modality constraints. Under matched encoder families, VRM outperforms direct fine-tuning baselines and improves calibration with strong recovery from hallucinated supervision. Marginalized supervision reduces report-selection instability. In our compact edge-student instantiation, a confidence-gated cascade reaches AUC 0.941 at 103ms average latency with 20.3% cloud escalation, yielding an explicit reliability-latency operating point for cloud-edge clinical workflows.
发表机构
- Brown University（布朗大学）
- Brown University Health（布朗大学健康中心）
- Florida International University（佛罗里达国际大学）
机构由 AI 辅助整理，请以论文原文为准。
