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

本研究提出了两种方法来消除放射学报告中引用先前报告的问题，一种是基于GPT-3的few-shot方法来重写没有引用先前报告的医疗报告，另一种是基于BioBERT的标记分类方法来直接删除引用先前报告的单词。研究者们认为在这些方法的基础上，CXR-ReDonE模型能够更好地生成放射学报告，进而在临床管道中得到更好的应用。

Sep, 2022

通过使用RadGraph奖励提出了一种基于胸透领域实体和实体关系的新方法，以进一步提高放射学报告的实际完成和正确性，该方法显着改善了放射学报告生成效果。

Oct, 2022

放射学报告是现代医学的重要组成部分，自动化报告生成和AI生成的报告对放射学家和临床决策具有潜在的帮助，但面临着质量评估和医生参与的挑战。本研究展示了放射科医生与AI系统进行合作的潜力以及AI生成报告与专家撰写报告的比较结果。

Nov, 2023

利用大型语言模型进行人工智能辅助的放射学报告生成与评估研究，通过结合放射科医生专业知识并采用相关评估指标以提高医学报告质量评估水平。

Jan, 2024

介绍了一种名为GREEN（生成式放射学报告评估和错误标注）的放射学报告生成度量方法，利用语言模型的自然语言理解能力定量和定性地识别和解释候选报告中的临床显著错误，该方法不仅与专家错误计数具有更高的相关性，而且与专家偏好更加一致。

May, 2024

医疗影像科室面临日益增长的需求对放射科医生准时准确提交报告的压力。最近人工智能技术的进步已展示出自动生成放射学报告（ARRG）的巨大潜力，引发了大量研究。该调查论文通过方法学评审对当代ARRG方法进行了回顾，包括：评估基于特征（如可用性、大小和采用率）的数据集，研究深度学习训练方法（如对比学习和强化学习），探索先进的模型架构（包括CNN和Transformer模型的变种），通过多模态输入和知识图谱集成临床知识的技术，以及审查常用的NLP评估指标和定性临床审查的当前模型评估技术。此外，还分析了审查模型的定量结果，检查了表现最佳的模型以寻求进一步的见解。最后，强调了潜在的新方向，预测将采用其他放射学模态的附加数据集和改进的评估方法作为未来发展的重要领域。

May, 2024

通过综述合成图像数据在人工智能辅助放射学领域的关键技术、主要应用领域以及质量控制评估问题，我们发现合成数据在解决现有数据不足问题上具有巨大潜力，但还需要进一步的研究工作才能实现其全部潜能。

May, 2024

本研究针对自动化放射报告生成模型在临床实践中面临的准确性问题，提出了一种质量控制框架。通过模块化的辅助审计组件来评估生成报告的语义可靠性，研究结果表明，加入疾病分类器的审计能够识别出更可靠的报告，并提高F1分数，显示出该方法的显著效果。

Jul, 2024

本研究针对现有放射学AI生成报告评估指标的局限性，提出了ReXamine-Global框架，旨在测试这些指标在不同医院和书写风格下的表现。研究发现现有指标在可泛化性方面存在严重不足，这为未来报表评估指标的设计提供了重要的指导和改进方向。

Aug, 2024