通过一种具有领域知识的自动生成算法和深度学习网络，对于胸部X光片的影像可实现自动标记并生成描述性报告，其精度优于现有的状态评价指标，如先前的自动化方法无法准确检测广泛的放射学发现。

Jul, 2020

通过引入新的激励机制，结合现有语义等效性指标和强化学习方法，我们的放射学报告生成系统成功地在临床信息提取性能F1得分上取得了22.1的改进，并且相较于基线，能更加准确地生成完整一致的报告。

Oct, 2020

本研究旨在通过将病人的胸部X射线图像和临床病史文档作为输入，利用一种完全可微的端到端框架来生成既流畅又具有临床准确性的医学报告，并通过分类、生成和解释三个互补模块来实现。其表现出良好的语言流畅性和临床准确性，当可提供附加信息时，例如临床文档和不同视图的额外扫描，仍然可以始终显著提高性能。

Aug, 2021

通过使用RadGraph奖励提出了一种基于胸透领域实体和实体关系的新方法，以进一步提高放射学报告的实际完成和正确性，该方法显着改善了放射学报告生成效果。

Oct, 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

放射学报告是现代医学的重要组成部分，自动化报告生成和AI生成的报告对放射学家和临床决策具有潜在的帮助，但面临着质量评估和医生参与的挑战。本研究展示了放射科医生与AI系统进行合作的潜力以及AI生成报告与专家撰写报告的比较结果。

Nov, 2023

本文介绍了一种新颖的LM-RRG方法，它将大型模型与临床质量强化学习相结合，以生成准确和全面的胸部X射线放射学报告。通过设计驱动的大型语言模型特征提取器分析和解释胸部X射线图像的不同区域，强调具有医学意义的特定区域。基于大型模型的解码器，我们开发了一种多模态报告生成器，利用来自视觉特征和文本指导的多模态提示以自回归方式生成放射学报告。最后，为了更好地反映放射科医生通常在报告中分配的临床重要和不重要的错误，我们引入了一种新颖的临床质量强化学习策略，在学习过程中使用放射学报告临床质量（RadCliQ）指标作为奖励函数。在MIMIC-CXR和IU-Xray数据集上进行了大量实验，证明了我们方法的优越性。

Mar, 2024

用预训练的大型语言模型进行指导的方法可以生成基于解剖学和临床提示的结构化胸部X射线报告，以实现医疗报告的自动化生成和临床的交互性。

Apr, 2024

本研究解决了放射报告生成过程中的评价局限，提出利用变压器模型从胸部X光片生成放射报告的方法，展现出在生成速度和效果上优于传统LSTM模型的优势。我们强调在评估生成报告时应结合语言生成和分类指标，以确保报告的连贯性和诊断价值。

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