在縱向臨床實踐中，每次胸部X光檢查都需要結合患者之前的檢查結果進行解讀，而放射科醫生報告中的大部分內容都是描述兩次就診之間的變化。然而，現有的自動報告生成模型往往忽略了這一關鍵的縱向上下文。為了解決這一問題，斯坦福大學和根特大學的研究人員提出了一種無需額外訓練的過渡感知最佳N取樣方案，這是首個專門為預訓練胸部X光報告生成器設計的、能夠明確考慮從縱向先驗到當前檢查過渡的取樣方法。
該方法被命名為過渡感知最佳N取樣（Transition-Aware Best-of-N Sampling）。其核心流程包括：首先將每個報告拆分為句子，並利用語言模型將這些句子嵌入到R^d空間中的無序集合中；然後，對於每個（先前報告，當前報告）對，透過一種集合到集合的距離函式將其簡化為一個固定維度的方向向量，該距離函式旨在捕捉兩個集合之間的變化；最後，透過計算候選報告的過渡向量與預先快取的地面真實訓練過渡向量庫之間的餘弦距離來評分，並採用最小值或k近鄰聚合得到最終得分。
研究團隊實證了四種不同的方向集合距離：均值偏移（Mean-Shift）、新穎性殘差（Novelty Residual）、有向豪斯多夫錨點（Directed-Hausdorff Anchor）和成本加權最優傳輸（Cost-Weighted Optimal Transport）。他們在包含多次就診的AP-PA佇列上進行了評估，使用了三個不同的提示（prompt）和三個不同的視覺-語言生成器進行推理實驗。結果表明，過渡感知最佳N取樣在所有評估指標上都優於隨機選擇，其中在“印象”（Impression）部分的提升最為顯著。
這項工作於2026年6月23日提交至arXiv，作者包括Halil Ibrahim Gulluk、Max Van Puyvelde、Wim Van Criekinge和Olivier Gevaert。該研究有望提高胸部X光報告生成的準確性，特別是對於疾病進展或恢復的描述，從而為臨床決策提供更好的支援。透過引入對這種縱向變化的認識，該方法無需重新訓練模型即可提升現有報告生成器的效能，具有重要的實用價值。