Jul, 2023

重新思考医学报告生成：利用知识图谱增强疾病揭示

PDF
TL;DR利用知识图谱在医学报告生成中的作用，基于胸部 X 光成像建立了一种包含 137 种疾病和异常的全面知识图谱，提出了一种新的增强策略和两阶段生成框架，以减少疾病分布的长尾问题。
knowledge graphmedical report generationchest x-ray imagingaugmentation strategylong-tailed problem
发现论文，激发创造
  • 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

  • 胸部 X 光报告生成的动态多领域知识网络

    通过构建一个具有四个模块（Chest Feature Extractor、Dynamic Knowledge Extractor、Specific Knowledge Extractor 和 Multi-knowledge Integrator）的 Dynamic Multi-Domain Knowledge 网络，本研究旨在解决自动化生成放射学诊断报告的视觉和文本数据偏倚问题，实验结果表明该方法在评估指标上表现优于先前的技术模型。

    Oct, 2023

  • 针对胸部 X 光检查报告生成的动态图形增强对比学习

    该研究介绍了一种名为 DCL 的知识图动态结构方法，它使用对比学习技术融合了医学报告的特定和通用知识，用于自动生成医学报告，并在 IU-Xray 和 MIMIC-CXR 数据集上实验表明，DCL 优于之前的最先进模型。

    Mar, 2023

  • 将医学知识图谱结合到大型语言模型中用于诊断预测

    通过结合医学知识图谱和新颖的图模型 Dr.Knows，我们提出一种创新的方法来提高大型语言模型在自动诊断生成领域的能力，从而消除预训练的需要，提高自动诊断生成的准确性。

    Aug, 2023

  • 知识图谱构建及其在放射科医生口述自动报告生成中的应用

    应用自然语言处理技术如信息抽取和领域特定知识图谱，从放射科医生的听写中自动生成放射学报告，并通过语义相似性度量评估所生成的病态描述，显示出与黄金标准病态描述 97% 的相似度。

    Jun, 2022

  • 通过自动化知识图生成和丰富加速医学知识发现

    医疗知识图谱自动化 (M-KGA) 是一种创新方法，通过利用用户提供的医学概念并利用 BioPortal 本体进行语义增强，以整合预训练嵌入向量，从而提高知识图谱的完整性。该方法引入了基于聚类和基于节点的两种方法，以发现知识图谱中隐藏的连接，通过对电子健康记录中 100 个频繁出现的医学概念进行严格测试，展示了有望解决现有知识图谱自动化技术限制的潜力。

    Apr, 2024

  • 基于知识驱动的医学图像报告生成模型：编码、检索、改写

    本文提出了一种基于知识推理的、融合传统方法和现代学习方法的医学报告生成方法，将医学报告生成分解为医学异常图形学习和自然语言建模两个部分，通过编码、检索和改写等子模块实现；其中，核心部分是图形变换器，可以实现知识图谱、图像和序列等多个领域的图形化高层语义转换。实验表明，该方法在两项医学报告测试中取得了最佳结果，达到最优医学异常和疾病分类准确性并提高了人工评估性能。

    Mar, 2019

  • 基于深度学习的放射学报告生成研究的系统综述

    深度学习在医学影像的报告生成方面的关键研究进展进行了综述，强调了基于任务特征的方法、视觉和文本信息的综合利用以及跨模态交互对于提高报告生成质量的重要性，并介绍了常用的基准数据集和评估指标，分析了不同方法的性能并展望了未来发展方向。

    Nov, 2023

  • 基于面向文本的医疗知识图谱表示学习的伴侣动物疾病诊断

    提出了一种用于动物疾病的高效诊断的知识图嵌入模型，该模型可以学习各种类型的文字信息和图结构，并将它们融合成统一的表示，通过门网络将不同类型的实体和节点特征信息融合为统一的向量表示，然后提出了一种自监督学习任务来预训练图结构，并在链接预测任务上击败了最先进模型组成的基线模型。

    Aug, 2023

  • 基于诊断的医学报告生成的提示 MRG

    通过诊断驱动提示的医学报告生成方法可以提高诊断准确性，并解决自动医学报告生成中的疾病分布不均的问题。

    Aug, 2023