Infection-Reasoner：エビデンスに基づく臨床推論を備えた、創傷感染分類のためのコンパクトな視覚言語モデル

要旨: 写真からの慢性創傷感染の評価は、視覚的な見え方が創傷の病因、解剖学的位置、撮像条件によって変化するため、困難です。以前の画像ベースの深層学習手法は、解釈可能性が限られており、主に分類に焦点を当ててきましたが、ポイント・オブ・ケアでの意思決定を支えるには、根拠に基づく説明が必要です。我々は、慢性創傷感染の分類と根拠生成のための、コンパクトな4Bパラメータ推論ビジョン-言語モデルであるInfection-Reasonerを提案します。推論アノテーション付きの専門家ラベル付き創傷画像の不足に対処するため、Infection-Reasonerは二段階パイプラインで学習されます: (1) 推論の蒸留。GPT-5.1がラベルなしの創傷画像に対して連鎖的思考（chain-of-thought）の根拠を生成し、小型の学生モデル（Qwen3-VL-4B-Thinking）に創傷特化の推論を初期化すること、そして (2) 少量のラベル付き感染データセットに対して、Group Relative Policy Optimizationによる強化学習の事後学習を行い、分類の推論を洗練することです。異種混合の創傷データセットで保持評価したところ、Infection-Reasonerは86.8\%の精度、86.4\%の感度、87.1\%の特異度を達成し、GPT-5.1を含む複数の強力なベースラインを上回りました。根拠（ラショネール）の品質は、マルチモーダル大規模言語モデル（MLLM）判定者と創傷の専門家レビューの両方を用いてさらに評価しました。4人のMLLM判定者における視覚的裏付けとの一致度スコアは0.722から0.903の範囲でした。一方、専門家レビューでは、根拠の61.8\%がCorrect、32.4\%がPartially Correctと評価されました。