Jul, 2023

放射学报告总结的指导：实证评估和错误分析

PDF
TL;DR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。
发现论文，激发创造
  • 可微分多智能体演员 - 评论家算法在多步放射学报告摘要中的应用

    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

  • 扩展放射学报告摘要的范围，适用于多种解剖学和模式

    通过提出包含六种不同模态和解剖的基于 MIMIC-III 数据库的数据集，我们提出了一个新的简报总结系统，其胜过现有数据集上的以前可重现的研究。

    Nov, 2022

  • 学习总结放射学发现

    利用神经序列到序列学习自动化生成放射学诊断报告中印象部分，比现有基线效果更好，在盲测实验中 67% 样本的系统汇总得分至少和人类汇总得分一样高。

    Sep, 2018

  • 基于词图引导的放射学检查结果摘要

    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

  • 将放射学报告结果提炼为结论

    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

  • 多语种放射学报告的自然语言处理模型 -- 只需摘要！

    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

  • 本体感知的临床抽象摘要

    通过添加领域特定本体信息增强内容选择和摘要生成，我们的序列到序列抽象式摘要模型的应用于放射学报告数据集，能够显著优于当前最先进的方法，同时经过放射学家的人类评估，表明该方法生成的摘要不太可能省略重要细节，而且读起来依然具有可读性和准确性。

    May, 2019

  • 通过与非专业人员总结提示大型语言模型改进专家放射学报告摘要

    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

  • 优化摘要的事实准确性：放射学报告摘要研究

    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

  • FactReranker: 面向忠实放射学报告摘要的基于事实引导的重排器

    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