本文提出了一个可以考虑到临床精度的全自动胸部X光辐射学报告生成系统，利用计算机视觉和自然语言生成的高级方法来生成可读的报告，重点关注临床领域的细微差别，并通过强化学习来微调该系统。

Apr, 2019

该论文介绍了一种使用两个不同的word LSTMs的层次LSTM模型来分别产生异常和正常语句以增加生成段落的变异性，并通过比较生成语句的独特性来分析其区别。希望这些发现能够促进新度量方法的发展，以更好地验证自动生成医学报告的方法。

Aug, 2019

该论文提出了一种基于交叉模态检索的自动医学图像报告生成方法，该方法可以从报告中识别异常发现，并将它们与无监督聚类和最小规则分组，通过使用提出的有条件构建的视觉-语义嵌入进行图像和小粒度异常发现对齐，其能够更好地检索异常发现并在临床正确性和文本生成度量方面优于现有的生成模型。

Oct, 2020

本研究提出了一种新型的框架，将模板检索和句子生成相结合，以处理普通和罕见异常情况，同时确保检测到的医学术语之间的语义一致性，该方法在两个医学报告基准测试上取得了明显的优势。

Jan, 2021

本文提出了一种利用稀疏注意力块和双线性池化捕捉细粒度图像特征之间高阶交互的记忆增强型稀疏注意力块，并引入新颖的医学概念生成网络来预测细粒度语义概念，并将其作为指导结合到自动生成医学报告的过程中，最终在MIMIC-CXR及图像字幕生成和医学报告生成多个领域的基准测试中，表现出了优异的性能。

Aug, 2022

本研究提出了一种基于自动医学图像解释的生成式语言模型的方法，用于从胸部X线图像中检测异常区域并生成相应文本，以降低放射科医生在撰写或叙述发现结果方面的工作量。

Jun, 2023

本文提出了一种基于模板的方法，通过使用多标签图像分类器，变换器模型和BERT多标签文本分类器，还有规则系统从放射学图像中生成放射学报告，并在实验中通过IU Chest X-ray和MIMIC-CXR数据集表现出比现有技术模型更好的性能。

Jun, 2023

通过循环一致的映射函数和医疗报告自编码，本研究提出了一种创新方法，消除了一致标记模式的需求，提高了数据可访问性，并实现了不兼容数据集的应用，从而在无配对的胸部X射线报告生成中取得了优越的语言和临床指标的结果。

Mar, 2024

本研究解决了医疗报告生成中的传统序列生成方法不足的问题，提出将其视为多标签分类问题的新方法。通过引入基于BLIP的报告生成框架，利用分类技术捕捉放射学节点，实现了报告生成的有效性和多方面准确分类。结果表明，该方法在两个基准数据集上实现了最先进的表现，展现了重新审视传统任务的重要性。

Aug, 2024

本研究解决了手动编写放射学报告的时间消耗和人为错误问题，通过提出一个新的框架，利用视觉增强的大语言模型进行医疗报告生成。结果显示，该资源高效的框架在生成具有强医疗背景理解和高精度的患者特定报告方面，表现出色，推动了医疗领域的临床自动化。

Oct, 2024