[논문 리뷰] NeuroSymb-MRG: Differentiable Abductive Reasoning with Active Uncertainty Minimization for Radiology Report Generation

Rong Fu, Yiqing Lyu외 10명|arXiv (Cornell University)|2026. 03. 02.

Topic Modeling인용 수 0

한 줄 요약

NeuroSymb-MRG는 미분 가능 신경-상징적 귀납 추론을 검색 기반 생성 및 능동적 불확실성 최소화와 결합하여 구조화되고 임상적으로 근거 있는 방사선 보고서를 생성하고 사실성 및 표준 지표를 향상시킵니다.

ABSTRACT

Automatic generation of radiology reports seeks to reduce clinician workload while improving documentation consistency. Existing methods that adopt encoder-decoder or retrieval-augmented pipelines achieve progress in fluency but remain vulnerable to visual-linguistic biases, factual inconsistency, and lack of explicit multi-hop clinical reasoning. We present NeuroSymb-MRG, a unified framework that integrates NeuroSymbolic abductive reasoning with active uncertainty minimization to produce structured, clinically grounded reports. The system maps image features to probabilistic clinical concepts, composes differentiable logic-based reasoning chains, decodes those chains into templated clauses, and refines the textual output via retrieval and constrained language-model editing. An active sampling loop driven by rule-level uncertainty and diversity guides clinician-in-the-loop adjudication and promptbook refinement. Experiments on standard benchmarks demonstrate consistent improvements in factual consistency and standard language metrics compared to representative baselines.

연구 동기 및 목표

• 자연스럽고 사실적으로 신뢰성 높으며 임상적으로 해석 가능한 자동 방사선 보고서 생성을 목표로 한다.
• 이미지를 확률적 임상 개념에 매핑하고, 미분 가능 추론 체인을 구성하며, 템플릿화된 텍스트 출력물을 생성하는 통합 프레임워크를 개발한다.
• 초안 정제를 위해 검색 증거와 제약된 언어 모델 편집을 도입한다.
• 가치가 높고 불확실성이 큰 사례에 대해 임상의 검토를 우선시하기 위한 능동적 불확실성 최소화를 도입한다.
• 대표적인 기준선 대비 표준 방사선 보고서 벤치마크에서 개선을 시연한다.

제안 방법

• 트랜스포머 기반 개념 예측기를 통해 이미지 특징을 확률적 임상 개념으로 매핑한다.
• AND/OR/NOT 연산자를 갖는 미분 가능한 논리 계층을 사용하여 개념 위에 미분 가능하고 연성 추론 체인을 구성한다.
• 활성화된 소프트 규칙을 규칙 가이드 디코더로 표준 절 템플릿으로 해독한다.
• 해독된 절에 검색 증거와 제약된 LLM 의역을 보강하여 구조화된 초안을 형성한다.
• 검색 보강 템플릿 채움 파이프라인을 갖춘 지식, 검증자, 추론으로 구성된 다중 에이전트 오케스트레이션 시스템을 사용한다.
• 몬테카를로 드롭아웃 기반 엔트로피 및 k-센터 다양성 샘플링을 통한 능동적 불확실성 최소화를 적용하여 임상의 루프 수정 가이드를 제공한다.

Figure 1: Architectural overview of the NeuroSymb-MRG framework for transparent and clinically grounded radiology report generation. The pipeline initiates with Visual Perception , utilizing a self-supervised visual encoder $f_{\mathrm{ve}}$ to extract patch-level features $X$ . In the Neuro-Symboli

실험 결과

연구 질문

• RQ1 완전 신경 기반 기준선과 비교했을 때 미분 가능 신경-기호 추론 모듈이 더 사실적으로 일치하는 방사선 보고서를 생성하는가?
• RQ2 규칙 수준에서의 능동적 불확실성 최소화가 사실성 신뢰성을 높이고 임상적으로 위험한 허구를 줄이는가?
• RQ3 규칙 기반 디코더와 결합했을 때 검색 보강 및 제약된 LLM 정제가 보고 품질에 미치는 영향은 무엇인가?
• RQ4 지식 그래프(UMLS 등)를 활용한 다중 에이전트 오케스트레이션이 보고서 충실도 및 모순 처리에 어떤 영향을 미치는가?

주요 결과

방법	B-1 IU X-ray	B-2 IU X-ray	B-3 IU X-ray	B-4 IU X-ray	R-L IU X-ray	MTR IU X-ray	B-1 MIMIC-CXR	B-2 MIMIC-CXR	B-3 MIMIC-CXR	B-4 MIMIC-CXR	R-L MIMIC-CXR	MTR MIMIC-CXR
Show-Tell [27]	0.243	0.130	0.108	0.078	0.307	0.157	0.308	0.190	0.125	0.088	0.256	0.122
Transformer [26]	0.372	0.251	0.147	0.136	0.317	0.168	0.316	0.199	0.140	0.092	0.267	0.129
Att2in [24]	0.248	0.134	0.116	0.091	0.309	0.162	0.314	0.198	0.133	0.095	0.264	0.122
AdaAtt [20]	0.284	0.207	0.150	0.126	0.311	0.165	0.314	0.198	0.132	0.094	0.267	0.128
Up-Down [2]	–	–	–	–	–	–	0.317	0.195	0.130	0.092	0.267	0.128
M2Transformer [6]	0.402	0.284	0.168	0.143	0.328	0.170	0.332	0.210	0.142	0.101	0.264	0.134
R2Gen [5]	0.470	0.304	0.219	0.165	0.371	0.187	0.353	0.218	0.145	0.103	0.277	0.142
Contra.Attn. [19]	0.492	0.314	0.222	0.169	0.381	0.193	0.350	0.219	0.152	0.109	0.283	0.151
CMCL [17]	0.473	0.305	0.217	0.162	0.378	0.186	0.344	0.217	0.140	0.097	0.281	0.133
CMN [4]	0.475	0.309	0.222	0.170	0.375	0.191	0.353	0.218	0.148	0.106	0.278	0.142
Aligntransformer [32]	0.484	0.313	0.225	0.173	0.379	0.204	0.378	0.235	0.156	0.112	0.283	0.158
M2Tr.Prog. [21]	0.486	0.317	0.232	0.173	0.390	0.192	0.378	0.232	0.154	0.107	0.272	0.145
CMM+RL [22]	0.481	0.316	0.228	0.181	0.384	0.201	0.381	0.232	0.155	0.109	0.287	0.151
XPRONET* [28]	0.491	0.325	0.228	0.169	0.387	0.202	0.344	0.215	0.146	0.105	0.279	0.138
MCGN [30]	0.481	0.316	0.226	0.171	0.372	0.190	0.373	0.235	0.162	0.120	0.282	0.143
PPKED [18]	0.483	0.315	0.224	0.168	0.376	–	0.360	0.224	0.149	0.106	0.284	0.149
RAMT [33]	0.482	0.310	0.221	0.165	0.377	0.195	0.362	0.229	0.157	0.113	0.284	0.153
R2GenGPT [29]	0.482	0.306	0.215	0.158	0.370	0.200	0.387	0.248	0.170	0.123	0.280	0.149
VLCI ${\dagger}$ [3]	0.324	0.211	0.151	0.115	0.379	0.166	0.357	0.216	0.144	0.103	0.256	0.136
PromptMRG [11]	0.401	–	–	–	0.281	0.160	0.398	–	–	0.112	0.268	0.157
MedRAT [9]	0.455	–	–	–	0.349	–	0.365	–	–	0.086	0.251	–
MRG-LLM [14]	0.529	0.359	0.266	0.202	0.408	0.221	0.416	0.267	0.182	0.129	0.296	0.163
NeuroSymb-MRG (Ours)	0.602	0.425	0.321	0.253	0.463	0.275	0.487	0.332	0.234	0.175	0.362	0.225

• NeuroSymb-MRG는 IU X-ray 및 MIMIC-CXR에서 강력한 기준선보다 자동 지표가 더 높게 나타난다(BLEU, ROUGE-L, METEOR).
• 규칙 수준의 미분 가능 추론과 규칙 디코더의 결합이 MLP만 사용하거나 비-기호적 기준선보다 어휘적/의미적 품질을 향상시킨다.
• 검색 보강과 LLM 제약 단계가 이득을 제공하고 검증자를 통해 모순을 완화하는 데 도움을 준다.
• 엔트로피 기반 샘플링과 다양성(k-center)을 통한 능동적 불확실성 최소화가 품질을 유지하면서 주석 필요성을 줄인다.
• 지식 에이전트와 UMLS 검증을 포함한 다중 에이전트 구성이 사실성 가능성을 향상시키고 서로 충돌하는 주장를 감소시킨다.