扩展放射学报告摘要的范围,适用于多种解剖学和模式
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
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%。
Mar, 2022
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
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
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
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
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
通过深度学习方法,欧州央行会公布最新的 Automatic radiology report generation 的方法,并且总结了该领域内多模态数据获取、数据融合等关键技术的发展,并为进一步研究提供了详尽的信息。
May, 2024