Feb, 2021

自然语言处理在放射学报告中的应用的系统性综述

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 自动构建放射学报告的集成方法

    本研究提出了一种基于文本属性的整合方法，包括三个模型：聚焦句模型、周围上下文模型和格式/布局模型，采用双向LSTMs和句子编码来获取上下文，结合多个特征和报告结构进行自动标注，取得了相对于其他方法来说更好的97.1%精度。

    Oct, 2020

  • 知识图谱构建及其在放射科医生口述自动报告生成中的应用

    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

  • 基于 Transformer 的深度学习在生成结构化放射学报告中的应用

    本研究提出一种以transformers为基础的细粒度命名实体识别体系结构，用于临床信息提取，通过fine-tuning在ROUGE-1、ROUGE-2、ROUGE-L和BLEU度量指标上的表现优于之前使用的人工神经网络和卷积神经网络模型。

    Sep, 2022

  • 放射学自然语言处理的大型语言模型评估

    大型语言模型在医学领域的实际应用中的性能、优势和不足进行了关键性评估。

    Jul, 2023

  • 临床放射肿瘤学中的自然语言处理技术和框架简介

    该研究回顾了现代自然语言处理模型的关键技术创新，并介绍了在放射肿瘤学研究中使用大型语言模型的最新应用，同时提出了一种全面的框架来评估NLP模型以便在临床应用前进行严格的评估和验证。

    Nov, 2023

  • 利用专业放射科医师的专长提升放射学报告的LLM评估

    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

  • 用生成变换器将自由文本放射学记录重塑为结构化报告

    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

  • 自动化放射学报告生成：近期进展综述

    医疗影像科室面临日益增长的需求对放射科医生准时准确提交报告的压力。最近人工智能技术的进步已展示出自动生成放射学报告（ARRG）的巨大潜力，引发了大量研究。该调查论文通过方法学评审对当代ARRG方法进行了回顾，包括：评估基于特征（如可用性、大小和采用率）的数据集，研究深度学习训练方法（如对比学习和强化学习），探索先进的模型架构（包括CNN和Transformer模型的变种），通过多模态输入和知识图谱集成临床知识的技术，以及审查常用的NLP评估指标和定性临床审查的当前模型评估技术。此外，还分析了审查模型的定量结果，检查了表现最佳的模型以寻求进一步的见解。最后，强调了潜在的新方向，预测将采用其他放射学模态的附加数据集和改进的评估方法作为未来发展的重要领域。

    May, 2024

  • 提取和编码：利用大型语言模型和医学知识增强放射学文本表示

    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

  • 设计一个稳健的放射学报告生成系统

    本研究针对自动生成放射学报告所面临的复杂性和多样性问题，提出了一种稳健的报告生成系统设计方法。通过整合不同模块并借鉴以往研究的经验和文献中的最佳实践，研究结果表明，该系统可以提高自动报告生成的效果，帮助放射科医生做出决策，加速诊断流程，从而改善医疗服务，挽救生命。

    Nov, 2024