CARDEA：基于空间证据可审计推理的冠脉造影端到端解读 CARDEA: Auditable Reasoning Grounded in Spatial Evidence for End-to-End Coronary Angiography Interpretation
仅训封闭任务即浮现开放报告能力，冠脉造影端到端可审计解读
前置知识
冠状动脉造影（CAG）
向冠脉注入造影剂并用X光透视成像的介入检查，是冠心病诊断金标准。三维血管投影到二维会产生血管重叠与缩短伪影，因此医生需要综合多个投照视角判断病变严重程度，主观性强、观察者间差异大。
本文的所有任务定义（优势分类、复杂度评估、关键帧选择、视角分类、报告生成）都建立在 CAG 的临床工作流之上，不了解检查流程就无法理解两遍管线的设计动机。
大型视觉语言模型（LVLM）
将视觉编码器与大型语言模型连接的多模态模型，能对图像/视频进行开放文本问答与推理。本文基座为 Qwen3-VL-30B-A3B-Thinking，属 MoE 架构，支持在推理时输出显式思考链（thinking 模式）。
CARDEA 的本质就是把一个通用 LVLM 对齐到 CAG 领域，并让其推理轨迹中嵌入空间证据；理解 LVLM 的 SFT 与 RL 训练范式是读懂三阶段训练的前提。
Chain-of-Box（CoB）
一种接地推理机制：在模型的推理文本中嵌入边界框作为空间锚点，使每个中间论断都对应原图的具体区域。人可以逐步审计模型『依据哪个区域的哪条血管得出结论』，区别于只输出最终框的检测模型。
CoB 是本文的核心贡献——可审计推理的载体，冷启动数据合成与 RLVR 奖励设计全都围绕『让模型稳定输出高质量 CoB 轨迹』展开。
可验证奖励强化学习（RLVR）
奖励由基于规则的验证器（如答案正确性）给出而非学习出来的奖励模型，避免 reward hacking。DeepSeek-R1 证明 RLVR 能让推理能力在纯策略优化中自发涌现，而非依赖模仿示范。
本文最有意思的结论——封闭任务上的 RLVR 反而提升了被 SFT 损害的零样本报告能力——正是 R1 式『策略优化浮现模仿得不到的能力』在医学影像上的印证。
自蒸馏（Self-Distillation）
用模型自身（或其基座未调优版本）作为教师生成训练数据。本文中未调优的 Qwen3-VL 教师模型根据 Stage 1 模型产生的检测框和文本化判定指南合成 CoB 推理轨迹，验证器只保留结论正确的轨迹作冷启动数据。
人工标注推理轨迹昂贵且 CoB 非基座原生能力，自蒸馏是绕开这一数据瓶颈的关键技巧，也是复现本文必备环节。
VS-F1（血管严重度宏F1）
针对自由文本报告的诊断性指标：先用 MedGemma-27B-IT 把报告解析成每支血管的严重度标签，再对 LM/LAD/LCX/RCA 等分支的标签算宏平均 F1。相比 ROUGE-L 等文本相似度指标，它不受措辞重叠和正常类占多数（74%）的影响。
报告生成是本文最核心的实验论据，VS-F1 的两阶段退化-反转曲线（0.452→0.373→0.686）直接支撑『RLVR 浮现开放能力』的主张。
研究动机
冠脉造影（CAG）是冠心病诊断的金标准，但把三维冠脉结构投影到二维平面会引入血管重叠与缩短伪影，容易低估病变严重程度；由于追加投照会增加造影剂和辐射暴露，临床医生只能在现有视角上靠脑力整合。更严峻的是解读主观性极强：近期研究显示三名资深心脏科医师阅读同一批造影的总体一致率仅 77.4%。深度学习虽被引入以降低变异，但现有方案各有缺陷：CathAI、DeepCoro 等级联管线串联多个单视角模块，误差会跨模块累积；DeepCORO-CLIP 等基础模型是判别式的，只能输出封闭标签或空间坐标；Nakamura 等与 Jiang 等的大型视觉语言模型（LVLM）虽能生成自由文本报告，但 Nakamura 的模型无法输出边界框，Jiang 的框只出现在与报告分离的子任务中——医生无法在报告内部审阅模型得出结论的空间依据，验证成本高、信任度低，临床落地受阻。
本文的目标是本文要构建一个统一的 LVLM——CARDEA，作为整条 CAG 解读管线的单一推理核心：从原始多视角造影视频出发，自动完成关键帧筛选与视角分类，再到研究级诊断（左右冠优势分类与 SYNTAX 复杂度评估），并首次把可审计的 Chain-of-Box 空间证据嵌入推理轨迹。训练上刻意只使用公开数据集上的封闭式任务（血管检测、狭窄检测、视角分类、关键帧选择、优势分类、复杂度评估），完全不训练开放式报告生成，然后在完全留出的外部队列 AngioCAD 上零样本评估全部能力。作者还想回答一个更根本的科学问题：仅靠带可验证奖励的强化学习（RLVR）在封闭任务上优化，能否浮现出监督模仿（SFT）无法获得的开放式报告能力？
与已有工作不同的是，独特切入角度有三层。第一，可审计性：不同于把检测框和报告分离的已有 LVLM，CARDEA 把边界框作为空间锚点直接写进推理轨迹内部，医生可逐步核查结论对应原图哪个区域的哪条血管——论文明确指出此前没有 CAG 系统做到报告内的可审计轨迹。第二，训练范式倒置：报告生成这类开放任务被完全排除在训练之外（因为缺乏基于规则的验证器，引入奖励模型会有 reward hacking 风险），作者假设封闭任务上的 RLVR 会迫使模型反复做多视角综合，从而内化出报告能力，这直接挑战『开放能力需要开放数据监督』的直觉。第三，数据策略：CoB 并非 Qwen3-VL 基座的原生能力，人工标注推理轨迹又昂贵，于是用未调优基座模型做教师、以 Stage 1 的检测框为条件自蒸馏合成冷启动数据，并用答案正确性过滤，绕开了人工标注瓶颈。
核心方法
CARDEA 基于 Qwen3-VL-30B-A3B-Thinking 构建，推理采用两遍管线：第一遍对每段造影视频做单视角推理，完成关键帧选择与三类视角分类（LCA/RCA/OTHER），再用规则过滤丢弃非诊断帧——因为用大模型直接处理全部原始帧计算上不可行，且许多帧心脏对位差、造影剂不足——最终保证每个研究保留最多 10 张关键帧且左右冠视角齐全；第二遍对精选关键帧做多图像 CoB 推理，输出优势分类、复杂度评估和零样本报告。训练分三阶段：Stage 1 用单视角任务（血管检测、狭窄检测、关键帧选择、视角分类）做 SFT，把模型从通用域对齐到 CAG 域并学会输出边界框；Stage 2 用自蒸馏合成的 CoB 轨迹对优势分类做冷启动 SFT，把感知能力延伸进推理；Stage 3 用 RLVR，对研究级任务在答案正确时额外奖励 CoB 行为，同时提升任务精度并巩固接地行为。全过程只用 ARCADE、CADICA、Coronary-Dominance、CardioSyntax、PubMedVision 等公开数据。
核心创新是『Chain-of-Box + 条件化 RLVR 奖励』的组合，以及由此实现的可审计端到端解读。与 Nakamura 等（不能输出框）和 Jiang 等（框在报告之外的子任务）的本质区别在于：框不再是独立输出的检测结果，而是推理文本内部的空间证据链，每个结论都能回溯到原图具体区域。奖励设计上，CoB 行为只有在最终答案正确时才获得额外奖励（条件化），且只施加于需要跨视角综合的研究级任务——单视角任务不涉及多视角整合逻辑，无需此类解释，故不奖励。开放任务（报告生成）被刻意排除在 RLVR 之外，因为它们没有规则验证器，用奖励模型会引入 reward hacking。消融实验揭示了两个组件的清晰分工：冷启动决定框的粒度——没有它，RLVR 奖励只要求『有个框』，模型退化到中位 0.76 帧面积的粗框（有冷启动约 0.01）；CoB 奖励决定接地是否存续——去掉奖励后使用率先升后塌缩到约 5%，而任务精度几乎不变，说明 CoB 是可审计性而非精度的来源。
方法步骤详情
具体步骤如下。第一步，数据重构：ARCADE（3000 张关键帧、1500 名患者、设备多样）提供血管检测（SYNTAX 定义的 25 个冠脉节段）与狭窄检测（直径狭窄 ≥50%）两个单视角任务；CADICA（42 名患者的多视角视频）提供关键帧选择任务；视角分类为 LCA/RCA/OTHER 三类，前两类来自 ARCADE 血管标注，OTHER 由 CADICA 非诊断帧与 PubMedVision 非 CAG 医学图像构成；Coronary-Dominance（1574 例研究）提供优势分类（按 SYNTAX 定义分左/右优势）；CardioSyntax（1844 例）提供复杂度评估，把连续 SYNTAX 评分离散化为 0–32 与 >32 两档。第二步，Stage 1 对齐：SFT 教模型用边界框定位血管与狭窄。第三步，Stage 2 自蒸馏冷启动：Stage 1 模型先产生血管和狭窄框，未调优的基座教师按文本化优势判定指南合成 CoB 轨迹，验证器只保留结论正确的轨迹用于 SFT。第四步，Stage 3 RLVR：可验证奖励（正确性 + 条件化 CoB 奖励）同时提升研究级任务精度并巩固 CoB 行为。第五步，部署时运行两遍推理管线：Pass 1 逐视频（可并行）选关键帧并分类视角、丢弃 OTHER，确保 LCA 与 RCA 存在；Pass 2 对最多 10 张关键帧做 CoB 多图推理，输出带空间轨迹的最终诊断。
技术新颖性
技术新颖性体现在三处。其一，CoB 机制在冠脉造影上的首次端到端落地：框嵌入推理轨迹且贯穿整条管线（从视频到研究级诊断），此前没有 CAG 系统在报告内部提供可审计轨迹，这是与 CathAI/DeepCoro（级联判别式）、Nakamura/Jiang（框与报告分离）最本质的差别。其二，自蒸馏式冷启动解决了推理轨迹数据稀缺：不需要人工撰写思维链，用基座模型当教师、以 Stage 1 检测框和文本判定指南为条件合成轨迹，再用答案正确性做质量过滤，成本低且可扩展；图 3B 证明冷启动还顺带继承了 Stage 1 的细粒度框尺度，是接地质量的决定因素。其三，最具启发性的发现是训练范式与能力的错位：两个 SFT 阶段使零样本报告 VS-F1 从基座的 0.513 一路退化到 0.452、0.373，而 RLVR 阶段反转为 0.686（关闭 thinking 也有 0.644，超过基座）——说明可验证奖励迫使模型内化跨视角综合能力，而非仅仅模仿输出形式，与 DeepSeek-R1 的结论在医学影像上互相印证。
实验结果
实验分四块。封闭任务（表1）：狭窄检测 F1@IoU≥0.5 为 0.37（0.32–0.41），与专用模型 DCA-YOLOv8 的 0.36±0.08 持平；改用 Jiang 等的松弛准则 F1@(IoU≥0.5 或 IoP≥0.6) 升至 0.60，与其 LVLM 打平；血管检测 25 节段 F1 为 0.50（0.48–0.53），超过 DeepCoro 算法 4 的 0.47 和 Jiang 等 LVLM 的 0.46；三分类视角 Macro F1 达 0.99；关键帧选择平均帧距 $D_k$ 为 0.60，预测帧平均落在专家可用范围一帧内（但该集仅 5 名患者 48 段视频）。研究级任务：优势分类域内 Real 子集准确率 0.94，低于 2D ConvNeXt 的 0.97（Macro F1 0.88 对 0.94，全文唯一统计可区分短板），域移 Shift 子集反超（0.91 对 0.89）；复杂度评估准确率 0.90（0.82–0.97），与 10 年经验专家 E1 的 0.90、3 年经验 E2 的 0.88 相当。零样本 AngioCAD（表2）：RCA 狭窄二分类 Lesion F1 为 0.85（0.83–0.87），超过在该队列上开发的 Adaptive Feature Fusion 基线 0.81；视角分类 RCA F1 为 0.90（0.88–0.92），低于 VGG19+LSTM 的 0.95，用 CARDEA 自筛的有效视角子集（n=326）可升至 0.95。报告生成（表3）：SFT 两阶段使两分类 VS-F1 从基座 0.513 退化至 0.452、0.373，仅 RLVR 扭转为 0.644（关 thinking）/0.686（开 thinking），超过基座且是 always-normal 下限 0.312 的两倍多；三分类同轨迹（0.361→0.508），有效视角子集达 0.716。消融（表4、图3）：无冷启动时框面积中位 0.76 帧面积（有冷启动约 0.01）；无 CoB 奖励时接地率塌缩至约 5% 而精度几乎不变。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| 狭窄检测（单视角，ARCADE） | F1@IoU≥0.5 | 0.37（0.32–0.41）；松弛准则 F1@(IoU≥0.5 或 IoP≥0.6) 为 0.60 | DCA-YOLOv8 0.36±0.08；Jiang 等 LVLM 松弛准则 0.60 | 持平（0.37 对 0.36） |
| 血管检测（单视角，25 节段） | F1@IoU≥0.5 | 0.50（0.48–0.53）；11 节段口径 0.58 | DeepCoro 算法 4 为 0.47（0.45–0.50）；Jiang 等 LVLM 0.46 | +0.03，超过两个基线 |
| 视角分类（3 类 LCA/RCA/OTHER） | Macro F1 | 0.99（0.98–1.00） | YOLOv8x-cls 二分类口径 1.00 | 基本持平（0.99 对 1.00） |
| 优势分类（域移 Domain Shift 子集） | 准确率 | 0.91（0.86–0.95），Macro F1 0.89 | 2D ConvNeXt 0.89，Macro F1 0.88 | +0.02，域移下反超专用分类器 |
| 复杂度评估（CardioSyntax，n=60） | 准确率 | 0.90（0.82–0.97），Macro F1 0.80 | 专家 E1（10 年）0.90 / E2（3 年）0.88 | 与两位介入心脏科医师相当 |
| 零样本 RCA 狭窄分类（外部 AngioCAD，n=412） | Lesion F1 | 0.85（0.83–0.87），准确率 0.80 | Adaptive Feature Fusion 0.81（准确率 0.72） | +0.04（零样本胜过在该队列上训练的模型） |
| 零样本报告生成（外部 AngioCAD） | VS-F1（2 类） | 0.686（0.664–0.707）；有效视角子集 0.716 | 未调优基座 0.513；always-normal 下限 0.312 | 较基座 +0.173，为下限两倍多；SFT 阶段反而退化至 0.452/0.373 |
局限与改进
作者承认的局限：尚未做前瞻性临床验证，报告也未与医生撰写的报告做盲评对照；跨阶段比较每次训练只跑一次，无法估计运行间方差；训练数据偏重血管和狭窄，其他征象学习不足；研究级训练每例最多 10 张静态关键帧，缺少造影剂流动的时间动态；CoB 评估只看框的频率、面积和最终答案正确性，未验证框的忠实性（框是否真的因果支持结论）；报告指标缺乏人级参照，只能相对比较；复杂度评估测试集仅 60 例、关键帧仅 5 名患者 48 段视频，可能检验效能不足；bootstrap CI 未做多重比较校正，所有差异只是探索性结论。我自己的补充观察：中位推理约 6 秒/研究（4×NVIDIA B200 张量并行），难以服务亚秒级场景；OOD 场景 CoB 使用率明显下降（Domain Shift 优势分类 65%、报告生成 75%，域内则 99.5–100%），可审计性恰恰在最需要审查的域移场景打折；VS-F1 依赖 MedGemma-27B-IT 抽取标签，抽取器偏差会传导进评估；与 DeepCoro 的检测对比因掩码转框可能低估对手；Ablation 表中冷启动+无条件奖励在 AngioCAD 报告上（0.665）反超所选配置（0.680 的 CI 重叠），说明设计选择的部分证据来自验证集点估计而非测试集显著差异。
独立分析的弱点
独立分析几点弱点。第一，延迟与算力：自回归架构加 30B 级模型导致中位 6 秒/研究、依赖 4 张 B200；改进方向是把 CoB 能力蒸馏到小模型、采用投机解码或对 Pass 1 用轻量模型分流。第二，可审计性的脆弱性：CoB 使用率从域内 99.5–100% 掉到域移 65%、零样本报告 75%，而恰恰 OOD 场景医生最需要审查依据；作者建议用拒绝采样轨迹补 SFT，更根本的做法是把『必须输出框』做成解码期硬约束或结构化引导。第三，框忠实性未验证：模型可能在正确答案旁贴一个无关大框骗过奖励（无冷启动时的 0.76 帧面积粗框就是这种倾向的极端形态），应引入遮挡扰动实验（遮住框区域看结论是否翻转）或注意力归因来度量忠实性。第四，评估链路双模型串联：MedGemma 抽取标签的系统性偏差（例如对措辞风格的偏好）无法与生成质量解耦，建议公开逐例抽取结果供人工抽查并做医师对照子集。第五，单次运行的方差问题：Stage 间差异（如 0.644 与 0.686）可能部分来自训练随机性，理想做法是每阶段多种子重复。第六，域内优势分类 Macro F1 0.88 对 0.94 的差距反映类别不平衡下的短板，值得引入重加权或代价敏感奖励。
未来方向
作者明确提出的方向：针对专家心脏科医师的前瞻性临床验证是部署前提；对 OOD 数据做拒绝采样 SFT 以关闭 CoB 使用率差距（重复采样已能把 Domain Shift 65%→92%、报告 75%→98.5%）；探索把报告生成纳入训练但设计防 reward hacking 的验证机制。基于本文成果可延伸的研究：第一，建立 CoB 忠实性基准——用遮挡/反事实扰动系统评估框证据是否因果支持结论，这会惠及所有接地推理工作而不限于医学；第二，把静态关键帧扩展为造影剂流动的时序建模，时序信息可能显著改善狭窄分级与血流判断；第三，验证『对齐→自蒸馏接地冷启动→RLVR』三阶段范式在 CTA、超声、内镜等其他模态上的普适性，检验『封闭任务 RLVR 浮现开放能力』是否为一般规律；第四，为报告质量引入医生在环评估与多专家一致性度量，补上 VS-F1 缺失的人级参照；第五，扩展训练数据覆盖钙化、心肌桥、侧支循环等论文自认学习不足的征象；第六，研究 CoB 使用率与诊断正确性的条件关系——既然去掉奖励精度不变，可审计性在不同错误类型下是否同样可靠值得量化。
复现评估
复现基础较好：模型权重在 HuggingFace（benbayibaurba/cardea-v0）开源，推理代码在 GitHub（benbayibaurba/cardea）开源；所用六个数据集（ARCADE、CADICA、Coronary-Dominance、CardioSyntax、PubMedVision、AngioCAD）全部公开，附录 S1.1–S1.4 给出预处理、数据划分、超参数与奖励函数定义，MedGemma 抽取协议也写明（采样温度 0.5，五次独立运行 VS-F1 标准差 <0.003，评估链路稳定），论文还自曝了图 2 的自蒸馏提示格式。难点在算力：30B 级 MoE 模型的三阶段训练（尤其 RLVR 阶段 400 步×4 个消融变体）加上 4×B200 推理配置，普通实验室难以完整复现训练；只做推理与评估的门槛则低得多，单张高端 GPU 或量化后即可运行并对照论文表格。数据侧的小障碍是 AngioCAD 等数据集可能需要申请。总体评估：评估复现容易，训练复现困难，代码与权重齐备在医学 AI 论文中属于开放程度较高的一档。
论文图表
