Jun, 2021

从影像学报告中提取临床实体和关系的 RadGraph

PDF
TL;DR本文介绍了 RadGraph 数据集，这是一个基于新的信息提取模式设计的全文胸部 X 射线放射学报告中实体与关系的数据集。作者还发布了与之相关的开发、测试和推理数据集，并训练了一个深度学习模型 ——RadGraph Benchmark，该模型在 MIMIC-CXR 和 CheXpert 测试集上分别达到 0.82 和 0.73 的微 F1 得分。这些数据集可用于医疗自然语言处理、计算机视觉和多模态学习等领域的研究。
structured clinical informationradiology reportsradgraph datasetinformation extractiondeep learning model
发现论文，激发创造
  • 通过语义奖励提高放射科报告生成的事实正确性

    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

  • RadGraph2：基于分层信息提取的放射学报告中的疾病进展建模

    我们提出了 RadGraph2，这是一个用于从放射学报告中提取信息的新颖数据集，专注于捕捉疾病状态和设备放置随时间变化的情况。我们介绍了一个基于关系组织实体的层次结构模式，并展示使用此层次结构在训练过程中可以提高信息提取模型的性能。具体地，我们提出了对 DyGIE++ 框架的修改，得到我们的模型 HGIE，该模型在实体和关系提取任务中优于先前的模型。我们证明了 RadGraph2 使模型能够捕捉更多种类的发现，并且在关系提取方面表现比原始的 RadGraph 数据集上训练的模型更好。我们的工作为开发可以随时间追踪疾病进展的自动化系统提供了基础，并利用医学领域的自然层级标签来发展信息提取模型。

    Aug, 2023

  • 当放射学报告生成遇见知识图谱

    本文介绍了使用预构建图嵌入模块（图卷积神经网络建模）来辅助放射图像报告生成的方法，该方法可以对多种疾病发现进行专门的特征学习并建立它们之间的关系，同时提出了用于医学图像报告的新的评估指标，并在公开数据集（IU-RR）上展示了该方法的优异性能。

    Feb, 2020

  • 通过图像图对比预训练学习泛化的医学图像表示

    通过医疗图片的图像 - 图对比学习框架，利用从放射学记录中自动提取的结构化报告知识图形，独特地编码了断开的图形组件，通过关系图卷积网络和 transformer 注意力机制，在对 CheXpert 数据集进行实验时，在 1% 线性评估和少样本情况下表现优于已有的图像 - 文字对比学习方法，并达到与放射科医生相当的性能；通过利用无标签的配对图像和文本，我们的框架展示了利用结构化的临床见解来增强医学图像的对比学习的潜力，这项工作为减少医疗专家的注释需求、提高诊断精度和推进健康病人护理提供了基础。

    May, 2024

  • 深度学习在胸部 X-Ray 报告中理解空间语言的表示框架，标注和空间关系提取

    该研究提出了一种基于深度学习自然语言处理的方法，通过从放射学报告中提取空间信息，包括放射学发现、解剖位置、可能诊断以及相关避免使用术语等，从而为诊断提供详细信息。

    Aug, 2019

  • 临床推理胸部影像数据集

    本研究提供了基于场景图的 Chest ImaGenome 数据集，利用自然语言处理和基于图集的边界框检测构建了局部标注，并通过放射学家构建的 X 线诊断本体论将每个 CXR 的注释连接为以解剖学为中心的场景图。

    Jul, 2021

  • 多语言结构化放射学报告的知识图谱嵌入

    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

  • 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

  • VisualCheXbert：解决放射学报告标签和图像标签之间的差异

    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

  • RadEx：基于大型语言模型的放射学报告结构化信息提取框架

    RadEx 是一个端到端框架，包括 15 个软件组件和 10 个工件，用于从放射学报告中进行自动化信息提取，支持医生定义临床领域相关信息和创建报告模板，实现信息提取系统的快速实施与维护。

    Jun, 2024