使用 BERT 模型直接从放射学报告映射到图像标签的方法，优于现有的医学报告标签方法，与放射科医生标注的胸部 X 光图像的平均 F1 分数为0.12至0.21。

Feb, 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

本研究旨在开发一种算法，用于自动从德国胸腔放射学报告中提取用于X光分类模型注释的标签，并基于CheXpert架构设计了一个自动标注提取模型，并创建了一个基于Web的注释界面以进行迭代改进，结果表明，自动标签提取能够减少手动标注的时间并提高整体建模性能。与手动标记数据相比，使用自动提取标签训练的模型表现出了很高的竞争力，并且强大地优于使用公开数据训练的模型。

Jun, 2023

本研究探索了使用基于规则的标签机器人进行弱监督的深度学习标签预测模型的潜力，并提出了一种深度学习的 CheXpert 标签预测模型，该模型在基于规则的德国 CheXpert 模型标记的报告上进行了预训练，并在少量手动标记的报告数据集上进行了微调。结果表明，本方法的有效性显著优于基于规则的模型，并强调了即使在稀疏数据场景下，采用深度学习模型的好处和规则标记器作为弱监督工具的用处。

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

我们引入了一种新颖的轻量级基于图的嵌入方法，特别适用于放射学报告，通过多语言SNOMED临床术语知识库连接报告中的医学术语，揭示了临床术语之间的潜在关系，实现了更好地理解和临床准确性的表示，而不依赖于大规模预训练数据集。我们展示了这种嵌入方法在X光报告的疾病分类和图像分类两个任务上的应用，并且相较于基于BERT的模型，在体积和训练数据需求方面要小得多。同时，我们展示了图嵌入方法如何利用跨模态知识传递，在不同语言之间具有可用性。

Sep, 2023

通过使用设计精心的提示，我们展示了GPT作为熟练标注器的潜力。利用只有GPT标记的数据，我们训练了基于BERT的标注器CheX-GPT，其操作速度更快、更高效。为了评估标注器的性能，我们引入了一个公开可用的专家标注测试集MIMIC-500，包含来自MIMIC验证集的500个案例。我们的研究结果证明了CheX-GPT不仅在标注准确性上优于现有模型，而且在效率、灵活性和可扩展性方面也表现出色，得益于我们引入的MIMIC-500数据集进行强大的基准测试。代码和模型可以在此链接找到。

Jan, 2024

介绍了一个包含609个注释放射学报告的语料库，用于医学影像诊断，利用两种基于BERT的架构，提取事件信息和规范化概念，为二次应用提供结构化的语义表示。

Mar, 2024

通过提取高质量的事实陈述来改善文本编码器的表示并提高在各种下游任务中的性能，研究文章介绍了一种针对医学领域等专业领域中表征学习的新颖两阶段框架。

Jul, 2024

本研究解决了医学数据集注释费时费力的问题，提出了一种新颖的方法，即利用现有的人工智能模型自动评估标签质量，而非从头开始创建注释。通过引入名为“标签评论员”的工具，研究表明它能够将手动注释工作时间大幅减少，提升了标签的准确性，使得最佳AI标签可以直接作为数据集的黄金标准，从而显著减轻放射科医师的负担。

Nov, 2024