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

通过提出包含六种不同模态和解剖的基于 MIMIC-III 数据库的数据集，我们提出了一个新的简报总结系统，其胜过现有数据集上的以前可重现的研究。

Nov, 2022

通过结合结构化患者数据和非结构化临床记录，我们提出了一种新颖的多模态深度神经网络框架，用于生成描述医学图像结果的胸部 X 射线检查报告，并通过引入条件交叉多头注意力模块来融合这些异构数据模态，弥合视觉和文字数据之间的语义差距。与仅依赖图像的模型相比，实验证明通过使用附加模态可以显著改善结果，在 ROUGE-L 指标上达到了文献相关最高的性能。此外，我们采用了人工评估和临床语义相似度测量以及词重叠度指标来提高定量分析的深度。由经过认证的放射科医师进行的人工评估确认了该模型在识别高级结果方面的准确性，但也强调需要更多的改进以捕捉细微的细节和临床背景。

Nov, 2023

我们介绍了一种新方法，用于胸部 X 射线报告生成，并通过实验证明其在自然语言生成和临床效果评估方面优于现有方法。

May, 2024

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

本研究提出一种新的基于层级结构的放射学报告摘要方法，将提取性摘要分解为关键句和关键词的提取任务，并采用两步法的方式进行生成，实验结果显示此方法与传统单一或双一的实验方法相比，能够更准确地生成摘要，总体 F1 得分提高了 3-4%。

Mar, 2022

提出一种基于 Encoder-Decoder 框架且同时利用附加知识和原始结果的方法，利用图神经网络处理视频关系信息，采用对比学习方法强化关键词在结果中的表述，以提高放射学报告印象部分的准确性。

Apr, 2022

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

我们提出了一种新颖的系统，旨在识别放射科医师在他们的报告中表达的主要意图和 X 线胸部照片中相应的兴趣区域，从而帮助纠正错误，特别是在胸部放射照片异常的诊断中。该系统为经验不足的医生提供有关图像背景的理解，有潜力纠正错误并指导他们到精确的兴趣区域，对提供给医院中经验不足的放射科医师或住院医师有建设性的反馈意义，有助于提高诊断准确性并促进医学界的持续学习。

Apr, 2024

本文用因果学方法构建了结构性因果模型 (SCM)，利用反向门控调整选取肺部 X 光的有效视觉信息，去除混杂物对真实因果性学习的影响，实验结果表明，我们所提出的方法能够胜过开源 NIH ChestX-ray14 在分类性能方面。

May, 2023