CHÚC MỪNG SINH VIÊN LỚP HTTT2024.1 CÓ BÀI BÁO ĐƯỢC CHẤP NHẬN TẠI HỘI NGHỊ QUỐC TẾ CLEF 2026 (SCOPUS)
CLEF 2026 (Conference and Labs of the Evaluation Forum) là hội nghị quốc tế về đánh giá các hệ thống truy xuất và truy cập thông tin, dự kiến được tổ chức tại Jena, Đức, từ ngày 21 – 24/09/2026.
CLEF là diễn đàn quốc tế dành cho các nhà nghiên cứu, chuyên gia và các nhóm nghiên cứu nhằm trình bày, đánh giá và so sánh các phương pháp, hệ thống trong lĩnh vực truy xuất thông tin, xử lý ngôn ngữ và các bài toán liên quan đến hiểu dữ liệu đa phương thức. Hội nghị đồng thời tổ chức nhiều chiến dịch đánh giá (evaluation campaigns), tạo môi trường nghiên cứu và thử nghiệm các phương pháp mới trên các bộ dữ liệu và bài toán thực tế.
Mã ISSN: 1613-0073
Nhà xuất bản: CEUR Workshop Proceedings (CEUR-WS)
Thông tin Hội nghị: https://www.clef-initiative.eu/
Tên bài báo: “UIT_HighDefinition at ImageCLEFmedical Caption 2026: Soft CUI-Guided Qwen3-VL Captioning”
Sinh viên thực hiện:
- Nguyễn Thị Quỳnh Hân – MSSV: 24520013 – Lớp HTTT2024.1
- Nguyễn Tấn Duy – MSSV: 24520389 – Lớp CNVN2024.1
- Nguyễn Minh Triết – MSSV: 24521852 – Lớp KHMT2024.4
Giảng viên hướng dẫn: TS. Nguyễn Tất Bảo Thiện
Abstract: This paper presents the UIT_HighDefinition system submitted to the ImageCLEFmedical Caption 2026 Caption Prediction task. The task requires generating concise and clinically meaningful captions for heterogeneous biomedical images.
Method: The submitted approach treats the task as instruction-guided medical image caption generation with soft biomedical concept conditioning. Qwen3-VL-8B-Instruct is used as the caption generator, and predicted Unified Medical Language System (UMLS) Concept Unique Identifiers (CUIs) are incorporated as optional clinical hints. These auxiliary CUI predictions were generated by running the public UIT_Worker Concept Detection notebook for ImageCLEFmedical 2026; the Concept Detection training and inference code was not modified in this work. The predicted CUIs are mapped to readable biomedical terms. Instead of forcing all predicted concepts into the output, the final prompt instructs the model to use CUI terms only when visually supported. A conservative rule-based cleaner normalizes modality expressions, removes generic prefixes, controls length, and validates submission formatting. Inference is distributed across six GPU workers with rank-level validation and resume support.
Results: The final official submission achieved an overall score of 0.3193 and ranked seventh on the Caption Prediction Test 2026 leaderboard. The official run was reported under the final team name UIT_HighDefinition with run ID 980; the original leaderboard username was tanduy2702. It obtained scores of 0.4999 for relevancy, 0.1388 for factuality, 0.5977 for BERTScore, 0.2243 for ROUGE, 0.8496 for semantic similarity, 0.3278 for BLEURT, 0.1397 for MedCAT, and 0.1379 for alignment. Compared with the Qwen2.5-VL-3B image-only baseline, the final system improved the overall score from 0.2934 to 0.3193.
Conclusion: The results suggest that large vision-language models can produce useful medical image captions when combined with soft concept-level guidance and careful output validation. However, the gap between high semantic similarity and lower MedCAT/alignment scores indicates that exact biomedical grounding remains challenging.
