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

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

本文提出了一个可以考虑到临床精度的全自动胸部 X 光辐射学报告生成系统，利用计算机视觉和自然语言生成的高级方法来生成可读的报告，重点关注临床领域的细微差别，并通过强化学习来微调该系统。

Apr, 2019

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

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

该研究提出了一个基于强化学习的训练策略，通过信息提取模块评估生成摘要的事实正确性，以优化称述的正确性。在将该策略应用于放射学摘要中时，得到的摘要输出在事实正确性和整体质量方面均优于竞争的神经网络摘要系统。

Nov, 2019

通过结合结构化患者数据和非结构化临床记录，我们提出了一种新颖的多模态深度神经网络框架，用于生成描述医学图像结果的胸部 X 射线检查报告，并通过引入条件交叉多头注意力模块来融合这些异构数据模态，弥合视觉和文字数据之间的语义差距。与仅依赖图像的模型相比，实验证明通过使用附加模态可以显著改善结果，在 ROUGE-L 指标上达到了文献相关最高的性能。此外，我们采用了人工评估和临床语义相似度测量以及词重叠度指标来提高定量分析的深度。由经过认证的放射科医师进行的人工评估确认了该模型在识别高级结果方面的准确性，但也强调需要更多的改进以捕捉细微的细节和临床背景。

Nov, 2023

本篇论文提出了一种弱监督的对比损失方法，用于提高放射学报告生成的文本质量，实验结果表明该方法在两个公共基准数据集上在临床正确性和文本生成指标方面优于以前的工作。

Sep, 2021

该研究旨在通过使用 FactReranker 技术，提高医学报告自动摘要的真实性，并通过对医学事实的提取和排名，实现对候选人摘要的最佳选择。

Mar, 2023