解读掩膜：基于描述词的 BI-RADS 乳腺 MRI 分割依据生成

基于深度学习的模型能够在动态对比增强 MRI（DCE-MRI）上准确勾画肿瘤，但仅有分割掩膜无法提供放射科医生用于评估病灶可疑程度的依据或推理过程。这限制了模型的可解释性及其临床应用。我们研究了能否从分割掩膜及其动态对比增强序列中提取具有临床意义的描述词。我们采用 Breast Imaging Reporting and Data System（BI-RADS）指南作为结构化框架。基于该指南，我们设计了一棵 BI-RADS 决策树，使用影像组学得到的八项定量测量值，以及病灶大小和成分数量，共同确定八个节点处的描述词。随后，我们利用这些描述词，通过大语言模型生成自然语言依据。我们对模型施加约束，使其只能表达从决策树中导出的记录。将该框架应用于 MAMA-MIA 数据集中的 1,506 个病例的专家掩膜和自动掩膜后，我们生成了包含 3,012 条基于 BI-RADS 的可复现依据语料库。我们获得了 99.98% 的忠实度得分和 99.3% 的反事实准确率，表明生成的依据能够忠实地表述测量得到的描述词，并正确反映底层记录的变化。随着掩膜质量从 Good 降至 Missed，专家掩膜与自动掩膜所得描述词之间的一致性从 0.832 降至 0.549。生成的依据旨在作为供放射科医生审核和最终签发的草稿表示，而非自主生成的临床报告。