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

通过引入新的激励机制，结合现有语义等效性指标和强化学习方法，我们的放射学报告生成系统成功地在临床信息提取性能 F1 得分上取得了 22.1 的改进，并且相较于基线，能更加准确地生成完整一致的报告。

Oct, 2020

本文提出了一种基于模板的方法，通过使用多标签图像分类器，变换器模型和 BERT 多标签文本分类器，还有规则系统从放射学图像中生成放射学报告，并在实验中通过 IU Chest X-ray 和 MIMIC-CXR 数据集表现出比现有技术模型更好的性能。

Jun, 2023

该研究介绍了一种名为 Radiological Report Evaluation (RaTEScore) 的新型、面向实体的度量标准，用于评估由人工智能模型生成的医学报告的质量。RaTEScore 强调诊断结果和解剖细节等重要医学实体，并且对于复杂的医学近义词和否定表达式具有鲁棒性。该度量标准通过比较从语言模型中获得的实体嵌入的相似性，根据其类型和与临床重要性的相关性来衡量。我们的评估结果显示，RaTEScore 与人类偏好更加一致，这一点在现有的公开基准和我们新提出的 RaTE-Eval 基准上得到了验证。

Jun, 2024

提出了一种利用疾病定向检索框架以及事实一致性字幕生成器解决医学图像报告自动生成中的疾病区域强调、视觉和文本数据偏见、长文本生成等难题的方法。

Jul, 2023

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

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

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

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。

Jun, 2021

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