AAAIMay, 2023

通过对比知识注入消除医疗报告的歧义 "Nothing Abnormal

PDF
TL;DR该研究通过对医学报告中存在的不清晰之处进行分析，主要针对医学报告中存在的语言障碍、矛盾的发现和误导性的语法错误等进行了分类，并基于这些分类提出了一种重写任务以及一种新的基于对比预训练和扰动重写的算法，从而能够更好地减少医学报告的二义性。
medical reportsnlpaudience expectation gapdisambiguation rewritingcontrastive pretraining
发现论文，激发创造
  • 医学图像报告组成的关系句子生成和检索统一

    本研究提出了一种新型的框架，将模板检索和句子生成相结合，以处理普通和罕见异常情况，同时确保检测到的医学术语之间的语义一致性，该方法在两个医学报告基准测试上取得了明显的优势。

    Jan, 2021

  • 关于医学影像报告的自动生成

    研究了医学影像的自动生成报告问题，提出了多任务学习框架、注意力机制和递归神经网络以解决标签预测、异常区域定位和长段落生成等难点问题，并在两个公共数据集上进行了验证。

    Nov, 2017

  • 解决胸部 X 射线图像报告生成中的数据偏差问题

    该论文介绍了一种使用两个不同的 word LSTMs 的层次 LSTM 模型来分别产生异常和正常语句以增加生成段落的变异性，并通过比较生成语句的独特性来分析其区别。希望这些发现能够促进新度量方法的发展，以更好地验证自动生成医学报告的方法。

    Aug, 2019

  • 学习视觉语义嵌入用于报道胸部 X 光上的异常发现

    该论文提出了一种基于交叉模态检索的自动医学图像报告生成方法，该方法可以从报告中识别异常发现，并将它们与无监督聚类和最小规则分组，通过使用提出的有条件构建的视觉 - 语义嵌入进行图像和小粒度异常发现对齐，其能够更好地检索异常发现并在临床正确性和文本生成度量方面优于现有的生成模型。

    Oct, 2020

  • 替换和报告：基于自然语言处理的放射学报告生成

    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

  • Dia-LLaMA: 面向大型语言模型驱动的 CT 报告生成

    提出了 Dia-LLaMA 框架，通过引入诊断信息作为指导提示来为 CT 报告生成适应 LLaMA2-7B 的方法，通过提取视觉信息来适应高维 CT，并通过参考疾病原型记忆库提取额外诊断信息以突出异常性，并引入疾病感知注意力来实现模型对不同疾病的注意力调整。在胸部 CT 数据集上进行的实验表明，我们提出的方法在临床有效性性能和自然语言生成度量方面表现出超越往方法和达到最先进水平。代码将公开发布。

    Mar, 2024

  • 胸部 X 光报告生成的弱监督对比学习

    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

  • 像放射科医师一样阅读放射学影像

    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

  • 通过数据中心的自然语言处理技术 连接医学术语和通俗理解以供患者教育

    通过自动生成普通语言释义的方式，将医学术语简化为患者友好的语言，以解决电子健康记录中医学术语对患者理解的困扰，并证明开源手机友好型模型在高质量数据的训练和优化下，能够匹敌甚至超越 ChatGPT 等巨型语言模型，在患者教育和患者中心化医疗解决方案方面，填补了知识差距。

    Dec, 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