该研究系统评估了最近NLP应用于放射学报告方面的文献，并将其归类为6个临床应用类别，结果表明，深度学习的使用在增加，但传统的机器学习方法仍然普遍存在。
Feb, 2021
应用自然语言处理技术如信息抽取和领域特定知识图谱，从放射科医生的听写中自动生成放射学报告，并通过语义相似性度量评估所生成的病态描述，显示出与黄金标准病态描述97%的相似度。
Jun, 2022
本文系统探讨了轻量级的策略来适应大型语言模型（LLM）以进行放射学报告摘要（RRS）的任务。研究表明，通过在病例文本语料库中进行预训练，以及使用参数高效的微调技术，在RRS范例上进行微调有助于最大程度地适应任务，为临床任务开发有效的自然语言处理解决方案提供了有价值的参考。
May, 2023
本研究提出了一个新的基准数据集 Rad-ReStruct，通过采用分层结构化报告的形式，提供了细粒度、分层次的注释，以用于支持医学影像元数据的自动填充以及加快放射学报告的编写速度，并通过开发一种新颖的分层视觉问答模型 hi-VQA 实现进行项目分析。
Jul, 2023
自动生成放射学报告的简明摘要可以减轻临床医生的手动负担，并提高报告的一致性。本研究解决了当前方法依赖领域特定资源和了解错误和失败模式的不足，并提出了一种领域无关的变长提取式摘要作为导向信号，进一步改进了自动摘要的效果，并发现自动摘要与放射学家的最大差异在于内容选取和错误分析，对未来研究提出了有希望的方向。
通过从图像中提取内容，并将提取的内容转化为与特定放射科医生风格匹配的报告，我们提出了一种用于射线学报告生成的两步方法，该方法利用RadGraph和大型语言模型（LLMs）。量化评估结果证明，我们的方法带来了良好的性能。与临床评估员进行的人类评估表明，尽管只使用了几个示例作为背景信息，但AI生成的报告与个体放射科医生的风格无法区分。
Oct, 2023
利用大型语言模型进行人工智能辅助的放射学报告生成与评估研究，通过结合放射科医生专业知识并采用相关评估指标以提高医学报告质量评估水平。
Jan, 2024
自由文本放射学报告中提取信息的流程，以及使用自然语言处理和基于Transformer的模型填充结构化报告注册表的性能评估和比较。
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
本研究旨在通过改进放射学报告中发现的简洁性和结构化组织，以解决信息查找困难的问题。我们采用本地运行的大型语言模型（如Mixtral）来生成简洁且结构良好的报告，并提出了新的“简洁性百分比”指标来评估报告的简洁性。研究结果表明，采用特定提示策略后，能显著提高报告的简洁性和结构，提升放射学报告的实用性。
Nov, 2024