مدل های زبانی- بصری در گزارش نویسی رادیولوژی: از معماری و توهم تا چالش ها و چشم انداز بومی سازی

افزایش حجم تصاویر پزشکی و کمبود رادیولوژیست، خودکارسازی گزارش نویسی را به یک ضرورت بالینی تبدیل کرده است. بررسی جامع پیشرفت ها، معماری ها، کاربردها، چالش ها و چشم انداز مدل های زبانی-بصری (VLM) در تولید گزارش رادیولوژی. مروری نظام مند با جستجو در پایگاه های PubMed، Scopus، Web of Science، IEEE Xplore، arXiv و Google Scholar از ژانویه ۲۰۲۰ تا مه ۲۰۲۶. از ۴۸۷ مقاله اولیه، ۳۲ مقاله کلیدی انتخاب شد. معماری های غالب ترکیب رمزگذارهای تصویری Transformer با رمزگشاهای متنی LLM است. مدل های شاخص شامل Merlin (دقت ۸۹٪ در طبقه بندی ۳۰ نوع ضایعه CT)، MedScribe (کاهش ۲۳٪ توهمات)، VALOR (بهبود ۱۷٪ همسانی بالینی) و Glio-LLaMA-Vision (AUC ۰.۹۲) هستند. چالش اصلی، پدیده توهم با نرخ ۵ تا ۱۵٪ یافته های کاذب است. VLMs به عنوان ابزار کمکی در کنار رادیولوژیست ها بهره وری را افزایش می دهند، اما تا جایگزینی کامل فاصله دارند. اولویت ها شامل مدل های قابل توضیح (XAI)، بازیابی اطلاعات (RAG) و بومی سازی برای زبان فارسی است.

کلیدواژه ها:

تولید گزارش رادیولوژی ، مدل های زبانی-بصری ، یادگیری چندوجهی ، توهم در هوش مصنوعی ، دستیار هوشمند پزشکی.