§论文2026年8月23日 4:29

G-CARL：面向患者导向的医学报告解读的基于清单对齐的奖励学习框架

为什么重要为医学报告解读提供了兼顾事实性与用户沟通的强化学习框架，并引入新基准，对医疗AI的个性化交互和可验证生成有重要参考价值。

摘要显示，研究者提出患者导向的医学报告解读（PMRI）任务，要求模型根据用户查询和对话历史，以准确且通俗的语言解释医学报告。为解决事实性和沟通性目标难以联合优化的问题，提出G-CARL框架，结合多源检索进行原子声明验证，并采用上下文感知的加权清单确保响应覆盖，从而提供结构化监督。同时构建了真实世界基准MMedReport和临床医生设计的三维评估协议，实验表明G-CARL在整体质量、声明级精度和清单达成率上优于现有基线。

G-CARL: Grounded Checklist-Aligned Reward Learning for Patient-Oriented Medical Report Interpretation

医学报告解读强化学习多模态生成基准数据集事实性验证

G-CARLPMRIMMedReport

阅读原文

英文摘要

The paper introduces PMRI, a task requiring models to explain medical reports accurately and accessibly based on user queries. They propose G-CARL, a grounded checklist-aligned RL framework, and construct the MMedReport benchmark with a clinician-designed evaluation protocol, showing consistent improvements over baselines.