縦断的臨床診療において、各胸部X線画像は患者の過去の検査と比較して読影され、放射線科医が報告する情報の多くは診療間の変化を伝えるものです。しかし、既存の自動レポート生成モデルはこの重要な縦断的コンテクストをしばしば無視しています。この問題に対処するため、スタンフォード大学とゲント大学の研究者らは、トレーニング不要で遷移を認識するベスト・オブ・Nサンプリング手法を提案しました。これは、事前学習済みの胸部X線レポート生成器に対して、縦断的な先行情報から現在の検査への遷移を明示的に考慮する初めてのサンプリング手法です。
提案手法は「遷移認識ベスト・オブ・Nサンプリング」（Transition-Aware Best-of-N Sampling）と呼ばれます。その核心は以下の通りです。まず、各レポートを文に分割し、言語モデルを用いてR^d空間内の非順序集合として埋め込みます。次に、各（先行レポート、現在レポート）ペアに対して、2つの集合間の変化を符号化するように設計された集合間距離関数を介して、固定次元の方向ベクトルに縮約します。最後に、候補レポートの遷移ベクトルと、事前にキャッシュされた正解訓練遷移ベクトルのバンクとのコサイン距離を計算してスコアリングし、最小値またはk近傍法で集約します。
研究チームは4種類の方向集合距離（平均シフト、新規性残差、有向ハウスドルフアンカー、コスト付き最適輸送）を実装し、複数回診療を含むAP-PAコホートで評価を行いました。評価では、3つの異なるプロンプトと3つの異なる視覚言語生成器を使用して推論を実行しました。結果は、遷移認識ベスト・オブ・Nサンプリングがすべての指標で無作為選択を上回り、特に「印象」（Impression）セクションで最大の相対的改善が見られました。
この研究は2026年6月23日にarXivに提出され、著者はHalil Ibrahim Gulluk、Max Van Puyvelde、Wim Van Criekinge、Olivier Gevaertです。本研究は、胸部X線レポート生成における変化記述の精度を向上させ、疾患の進行や回復に関する記述をより正確にすることで、臨床意思決定支援に貢献することが期待されます。縦断的な変化を認識するこの手法は、モデルを再トレーニングすることなく既存のレポート生成器の性能を向上させる実用的な価値を持ちます。