Neues Multi-Agent Reinforcement-Learning-Modell verbessert Radiologieberichte

Ein neues Forschungsprojekt namens MARL‑Rad präsentiert ein innovatives Multi‑Modal Multi‑Agent Reinforcement Learning‑Framework, das Radiologieberichte automatisch erstellt. Dabei koordiniert das System spezialisierte Agenten, die sich jeweils auf bestimmte Bildregionen konzentrieren, und einen globalen Integrationsagenten, der die Ergebnisse zusammenführt.

Im Gegensatz zu bisherigen Ansätzen, die meist ein einzelnes Modell mit Reinforcement Learning optimieren oder bereits trainierte Modelle nachträglich in Agenten umwandeln, wird bei MARL‑Rad das gesamte Agentensystem gleichzeitig trainiert. Durch diese ganzheitliche Optimierung kann das Modell die Interaktion zwischen den Agenten besser nutzen und die Qualität der Berichte steigern.

Experimentelle Tests auf den Datensätzen MIMIC‑CXR und IU X‑ray zeigen, dass MARL‑Rad die klinische Wirksamkeit (CE) deutlich verbessert. Die Bewertung anhand von Metriken wie RadGraph, CheXbert und GREEN erreicht damit einen neuen Stand der Technik. Die Ergebnisse deuten darauf hin, dass das Modell nicht nur präzisere, sondern auch klinisch verifizierbare Berichte liefert.

Zusätzliche Analysen belegen, dass MARL‑Rad die Konsistenz der Lateraldarstellung erhöht und detailliertere, genauer beschriebene Befunde erzeugt. Damit bietet das System einen radiologenähnlichen Arbeitsablauf, der sowohl die Genauigkeit als auch die klinische Relevanz der generierten Berichte optimiert.