本研究提出了一种基于文本属性的整合方法，包括三个模型：聚焦句模型、周围上下文模型和格式/布局模型，采用双向LSTMs和句子编码来获取上下文，结合多个特征和报告结构进行自动标注，取得了相对于其他方法来说更好的97.1%精度。
Oct, 2020
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。
该研究系统评估了最近NLP应用于放射学报告方面的文献，并将其归类为6个临床应用类别，结果表明，深度学习的使用在增加，但传统的机器学习方法仍然普遍存在。
Feb, 2021
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
本研究提出一种以transformers为基础的细粒度命名实体识别体系结构，用于临床信息提取，通过fine-tuning在ROUGE-1、ROUGE-2、ROUGE-L和BLEU度量指标上的表现优于之前使用的人工神经网络和卷积神经网络模型。
Sep, 2022
本研究提出了一个新的基准数据集 Rad-ReStruct，通过采用分层结构化报告的形式，提供了细粒度、分层次的注释，以用于支持医学影像元数据的自动填充以及加快放射学报告的编写速度，并通过开发一种新颖的分层视觉问答模型 hi-VQA 实现进行项目分析。
Jul, 2023
通过提取高质量的事实陈述来改善文本编码器的表示并提高在各种下游任务中的性能，研究文章介绍了一种针对医学领域等专业领域中表征学习的新颖两阶段框架。
Jul, 2024
本研究针对从非结构化放射学和病理学报告中提取结构化临床信息的难题，提出了一种基于开放权重大语言模型和检索增强生成的自动化系统。研究发现，医疗领域精细调整的模型在提取准确性方面表现优异，达到98%以上，这一方法显示出在医疗数据提取中实现人机协作的潜力。
Sep, 2024
本研究旨在开发一个自动化系统，从非结构化的放射学和病理学报告中提取结构化临床信息，解决了当前信息提取的准确性和有效性问题。研究利用开源大语言模型和检索增强生成技术，发现新型和领域微调模型在提取准确性上表现优异，最佳模型在提取BT-RADS评分和IDH突变状态时均达到了高于90%的准确率。这一成果为医疗数据提取提供了可靠的方法，强调了人机协作的潜力。
本研究旨在通过改进放射学报告中发现的简洁性和结构化组织，以解决信息查找困难的问题。我们采用本地运行的大型语言模型（如Mixtral）来生成简洁且结构良好的报告，并提出了新的“简洁性百分比”指标来评估报告的简洁性。研究结果表明，采用特定提示策略后，能显著提高报告的简洁性和结构，提升放射学报告的实用性。
Nov, 2024