CXR-ContraBench：揭开医疗 AI 的极性陷阱与确定性修复

TL;DR

即使是顶尖的医学多模态大模型（MVLM）也会在“有无病灶”这种闭卷考试上翻车。本文识别了一种名为 Negated-Option Attraction（否定选项吸引） 的系统性失效模式：当模型面对包含否定词（如 "No edema"）的选项时，即便视觉证据清晰显示有病灶，模型仍会被否定词“吸走”。作者通过 CXR-ContraBench 证明了这一点，并提供了一个名为 QCCV-Neg 的“无痛手术”工具，无需重新训练即可将模型准确率从 30% 提升至 95% 以上。

1. 致命的“极性翻转”：医疗 AI 的暗影

在放射科，判断一个病灶是“存在”还是“不存在”是诊断的底线。然而，目前的 MVLMs（如 MedGemma, Qwen2.5-VL）在处理这类极性问题时表现出惊人的脆弱性。

• 直觉陷阱：模型在预训练阶段接触了大量的“Negative Finding”报告，导致它们对否定句式产生了过度的 Inductive Bias。
• CoT 的失效：研究发现，Chain-of-Thought（CoT）不仅不能完全解决极性翻转，有时反而会放大模型对否定表述的盲目拷贝。

图 1：当问题询问存在的病灶时，模型无视视觉证据，被“No consolidation”选项吸引，造成临床矛盾。

2. CXR-ContraBench：深度诊断工具

为了系统性地量化这种失效，作者构建了 CXR-ContraBench。其核心设计思想是可审计性（Auditability）。

• 受控答案空间：每个问题都精心设计，包含目标病灶、其对应的否定形式、以及至少一个干扰项。
• 多维度覆盖：涵盖了 internal ReXVQA 内部切片，以及 OpenI 和 CheXpert 等外部专业协议。
• 规模验证：作者在超过 135,754 条记录上验证了该现象，证明这绝非随机触发，而是模型底层分布的系统性问题。

3. QCCV-Neg：无需重练的确定性修复

面对如此普遍的极性失效，最直接的手段通常是微调。但本文提出了一个更优雅、更透明的解法：QCCV-Neg (Question-Conditioned Consistency Verifier for Negation)。

核心逻辑：

这是一个后处理插件，它不改变模型架构，而是像一个“过滤器”：

1. 检测答案空间是否包含唯一的否定选项。
2. 检测 Baseline 模型是否预测了该否定选项。
3. 识别问题的极性倾向（寻找存在还是寻找缺失）。
4. 如果发现模型在寻找“存在”任务时选择了“不存在”选项，则利用确定性映射机制将其修正回对应的正向概念。

图 2：QCCV-Neg 通过四步触发机制，精准剔除了模型推理中的极性混淆。

4. 实验结果：从 30% 到 95% 的华丽转身

实验结果令人震撼。在 CheXpert 直接存在性探测中：

• MedGemma-4B：准确率从 31.49% 提升至 96.60%。
• Qwen2.5-VL-7B：准确率从 30.21% 提升至 95.32%。
• GPT-4o：即便性能更强，GPT-4o 也不能幸免，其准确率从 62.55% 提升至 73.19%。

图 3：QCCV-Neg 在不同模型上的修复能量，由于极性混淆导致的错误几乎被完全抹平。

5. 深度洞察：为什么 CoT 失灵了？

论文提出了一个有趣的观察：CoT 在处理此类逻辑冲突时表现极其不稳。在某些 absence-side（缺失检测）协议中，LLaVA-Med 的矛盾次数从 42 次激增至 446 次。这说明单纯依赖模型的“自发推理”并不能克服底层的概率吸引，而 Deterministic Verification 这种“上帝视角”的硬约束，在严谨的医疗场景下显得更有价值。

6. 总结与反思

CXR-ContraBench 提醒我们，AI 在医疗领域的应用绝不能只看总体 Accuracy。一个极性翻转的预测比一个单纯的“不知道”危害大得多。

• 贡献：识别并量化了“否定选项吸引”这一临床风险。
• 局限：目前的修复器主要针对显式的否定词，对于含蓄或隐隐约约的否定表述，仍需进一步研究表征空间的几何特性。

这项工作为未来医疗大模型的部署提供了一个重要的安全垫：在让模型产生回答后，先过一遍极性校验器，或许能挽救无数个误诊的瞬间。