MedCausalX: Selbstreflektierende Kausalität für verlässliche medizinische VLMs

MedCausalX ist ein neu entwickeltes Framework, das Vision‑Language‑Modelle (VLMs) für die medizinische Diagnostik mit einer expliziten kausalen Analyse ausstattet. Durch die Integration von Selbstreflexion kann das System gezielt Kausalzusammenhänge erkennen und ausspuren, wodurch die Gefahr von Spurious Correlations deutlich reduziert wird.

Derzeit fehlt bei medizinischen Chain‑of‑Thought‑Modellen ein Mechanismus, der kausale Beziehungen systematisch darstellt und durchsetzt. Die Autoren identifizieren drei zentrale Probleme: (1) die adaptive Auslösung von kausaler Korrektur, (2) die Erzeugung hochwertiger kausal‑spurious‑kontrastiver Beispiele und (3) die Aufrechterhaltung kausaler Konsistenz über gesamte Denkpfade hinweg.

Um diese Herausforderungen zu lösen, stellt MedCausalX das CRMed‑Datenset vor, das detaillierte anatomische Annotationen, strukturierte kausale Reasoning‑Chains und kontrafaktische Varianten enthält. Aufbauend auf diesem Datensatz nutzt MedCausalX eine zweistufige, adaptive Reflexionsarchitektur mit ‑ und ‑Tokens, die dem Modell erlaubt, eigenständig zu entscheiden, wann und wie kausale Analysen und Verifikationen durchgeführt werden. Zusätzlich wird ein trajektorienbasiertes kausales Korrekturziel durch ergebnisattributierte Reinforcement‑Learning‑Optimierung verfeinert, sodass echte kausale Abhängigkeiten von bloßen Shortcut‑Assoziationen unterschieden werden können.

Umfangreiche Experimente auf mehreren Benchmarks zeigen, dass MedCausalX die aktuellen Spitzenmodelle konsequent übertrifft. Die Ergebnisse deuten darauf hin, dass selbstreflektierende kausale Reasoning‑Mechanismen ein vielversprechender Ansatz sind, um medizinische VLMs vertrauenswürdiger und klinisch zuverlässiger zu machen.