Mar, 2022

可微分多智能体演员 - 评论家算法在多步放射学报告摘要中的应用

PDF
TL;DR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%。
radiology reportsummaryabstractive summarizationsalient contentextractive summarization
发现论文，激发创造
  • 学习总结放射学发现

    利用神经序列到序列学习自动化生成放射学诊断报告中印象部分，比现有基线效果更好，在盲测实验中 67% 样本的系统汇总得分至少和人类汇总得分一样高。

    Sep, 2018

  • 将放射学报告结果提炼为结论

    病人交接和分诊是医疗保健中的两个基本问题。为了高效地与专科医生沟通并快速决策哪些患者需要最紧急的医疗，医生们经常需要费力地总结复杂的发现。在探索这些挑战的过程中，我们提出了一种模型（1），该模型具有最先进的放射学报告摘要性能，并采用一种新的医疗数据增强方法（2），还对模型的局限性和放射学知识增长进行了分析（3）。此外，我们还为基于 MIMIC CXR 数据集开发的未来模型提供了数据处理流程。我们最好的模型是一个经过微调的 BERT-to-BERT 编码器 - 解码器，具有 58.75/100 的 ROUGE-L F1 得分，其表现优于带有更复杂的注意机制的专用检查点。我们在本文中研究了这些方面。

    May, 2024

  • 扩展放射学报告摘要的范围，适用于多种解剖学和模式

    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

  • 多语种放射学报告的自然语言处理模型 -- 只需摘要！

    通过 fine-tuning 多语言 Transformer 模型，该研究实现了自动化生成多种语言的放射学报告总结，结果显示出与人工撰写总结相当甚至更好的临床可靠性。

    Sep, 2023

  • 放射学报告总结的指导：实证评估和错误分析

    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。

    Jul, 2023

  • 基于词图引导的放射学检查结果摘要

    本文提出了一种新颖的自动印象生成方法，其中从发现中构建词图以记录关键词及其关系，然后设计了一个词图引导的总结模型 (WGSum) 来生成印象。实验结果表明，我们的方法在两个数据集上取得了最先进的结果，这进一步证实了我们的方法的有效性和可行性。

    Dec, 2021

  • 利用放射学和解剖提示改善放射学摘要

    本文提出了一种新的解决方案来增强放射学家的结论写作，重点在于，将放射学图像和检查结果组合在一起生成结论，主要包括解剖学增强多模态模型和对比学习模块，经过两个基准数据集的实验证明，该方法显著优于其他自动结论生成模型。

    Oct, 2022

  • 基于图卷积的对比学习在医学影像学检查结果归纳中的应用

    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

  • 通过与非专业人员总结提示大型语言模型改进专家放射学报告摘要

    利用一种新的提示策略，结合少样本上下文学习，该论文引入了一种改进放射学报告摘要的方法，通过首先生成普通人摘要来规范关键观察，并使用医患交流启发的非专家通信技术简化复杂信息。我们在 MIMIC-CXR、CheXpert 和 MIMIC-III 数据集上评估了这种方法，并将其与 7B/8B 参数状态下的开源大型语言模型（LLMs），如 Meta-Llama-3-8B-Instruct，进行了比较。我们的结果表明，在摘要精确性和可访问性方面都取得了改进，特别是在领域外测试中，某些指标的改进高达 5%。

    Jun, 2024

  • RadBARTsum: 放射学报告摘要的去噪序列到序列模型的领域适应

    该研究提出了 RadBARTsum，一种领域特定的、本体学支持的适应 BART 模型的放射学报告摘要方法。该方法包括两个主要步骤：1）使用一种新颖的实体屏蔽策略在大量放射学报告语料库上重新训练 BART 模型以提高生物医学领域知识学习，2）使用调查结果和背景部分进行模型微调以预测结论部分。实验采用不同的屏蔽策略进行，结果显示使用领域知识屏蔽的重新训练过程在各种设置下均能持续提高性能。该工作为放射学报告摘要提供了一种领域特定生成型语言模型，以及一种利用医学知识实现实体屏蔽语言模型的方法。所提出的方法展示了通过加深对放射学报告的临床知识理解来提高语言模型效率的一个有希望的方向。

    Jun, 2024