Mar, 2024

利用隐私保护的大型语言模型和多类型标注增强胸部 X 光数据集：提高分类的数据驱动方法

PDF
TL;DR使用 MAPLEZ 方法，使用基于规则的系统从 CXR 报告中提取和增强发现标签，包括存在性、位置、严重程度以及放射科医生对发现的不确定性，并在分类监督中取得了显著的模型质量提升
发现论文，激发创造
  • CXR-LLaVA：用于解读胸部 X 光图像的多模式大型语言模型

    利用大型语言模型 (LLM) 开发了多模态大型语言模型来解释胸部 X 射线图像，并研究了提示工程和模型参数对其效果的影响。通过对数据集进行预训练和微调，该模型在胸部 X 射线图像解释中显示了很好的潜力。

    Oct, 2023

  • 用非专家注释增强胸部 X 射线图数据集

    通过非专家标注从自由文本医疗报告中提取自动注释，扩大训练数据集，以增加机器学习算法在医学图像分析中的进展，并比较非专家标注与专家标注的一致程度。

    Sep, 2023

  • 德国 CheXpert 胸部 X 光放射学报告标签制造机

    本研究旨在开发一种算法，用于自动从德国胸腔放射学报告中提取用于 X 光分类模型注释的标签，并基于 CheXpert 架构设计了一个自动标注提取模型，并创建了一个基于 Web 的注释界面以进行迭代改进，结果表明，自动标签提取能够减少手动标注的时间并提高整体建模性能。与手动标记数据相比，使用自动提取标签训练的模型表现出了很高的竞争力，并且强大地优于使用公开数据训练的模型。

    Jun, 2023

  • CXR-CLIP：大规模胸部 X 光照片语言 - 图像预训练

    本文研究了利用大规模图像 - 文本配对数据集进行视觉语言预训练模型的发展，解决医疗领域中缺乏数据的问题，并通过扩展图像 - 标签对为图像 - 文本对，利用多个图像和多个部分的放射学报告来提高模型性能。同时设计了两个对比损失，ICL 和 TCL，来学习医学图像和报告的研究级特征。我们的模型在相同条件下优于现有的最先进模型。此外，扩大数据集能够提高我们预训练模型的分类性能，尽管在检索性能方面有所牺牲。代码可在此网址获得。

    Oct, 2023

  • CheX-GPT：利用大型语言模型增强胸部 X 射线报告标注

    通过使用设计精心的提示，我们展示了 GPT 作为熟练标注器的潜力。利用只有 GPT 标记的数据，我们训练了基于 BERT 的标注器 CheX-GPT，其操作速度更快、更高效。为了评估标注器的性能，我们引入了一个公开可用的专家标注测试集 MIMIC-500，包含来自 MIMIC 验证集的 500 个案例。我们的研究结果证明了 CheX-GPT 不仅在标注准确性上优于现有模型，而且在效率、灵活性和可扩展性方面也表现出色，得益于我们引入的 MIMIC-500 数据集进行强大的基准测试。代码和模型可以在此链接找到。

    Jan, 2024

  • 临床推理胸部影像数据集

    本研究提供了基于场景图的 Chest ImaGenome 数据集，利用自然语言处理和基于图集的边界框检测构建了局部标注，并通过放射学家构建的 X 线诊断本体论将每个 CXR 的注释连接为以解剖学为中心的场景图。

    Jul, 2021

  • 利用多实例学习无需本地注释的胸部 X 光关键结果定位

    本研究提出了一种基于多实例学习的深度学习算法，可在医学影像中同时分类和定位关键病变，无需耗时昂贵的局部辅助标注，取得了在三种不同关键病变上有竞争力的分类结果。

    Jan, 2020

  • 胸部 X 光片疾病分类的多标签广义零样本学习

    本文提出了一种能够同时预测 CXR 图像中多个已见与未见疾病的多标签广义零样学习 (CXR-ML-GZSL) 网络，借助一个丰富的医学文本语料库提取的语义向量指导图像表示的学习，该网络在 NIH Chest X-ray 数据集上的实验表明其能够优于两个强基线方法。

    Jul, 2021

  • 中文胸部 X 射线报告生成的疾病标签器

    该研究提出了一种专门用于生成中文胸部 X 射线报告的疾病标定器，该标定器利用双 BERT 架构处理诊断报告和临床信息并基于疾病和身体部位的关联构建了一个分层标签学习算法，从而提高了文本分类性能。利用该疾病标定器，建立了一个包含 51,262 个报告样本的中文胸部 X 射线报告数据集。最后，对一部分专家注释的中文胸部 X 射线报告进行了实验证明了该疾病标定器的有效性。

    Mar, 2024

  • 使用深度学习自动标记德语胸部 X 光放射学报告

    本研究探索了使用基于规则的标签机器人进行弱监督的深度学习标签预测模型的潜力，并提出了一种深度学习的 CheXpert 标签预测模型，该模型在基于规则的德国 CheXpert 模型标记的报告上进行了预训练，并在少量手动标记的报告数据集上进行了微调。结果表明，本方法的有效性显著优于基于规则的模型，并强调了即使在稀疏数据场景下，采用深度学习模型的好处和规则标记器作为弱监督工具的用处。

    Jun, 2023