Jul, 2024

通过辅助审计组件进行放射报告生成模型的质量控制

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 临床准确的胸部X光报告生成

    本文提出了一个可以考虑到临床精度的全自动胸部X光辐射学报告生成系统，利用计算机视觉和自然语言生成的高级方法来生成可读的报告，重点关注临床领域的细微差别，并通过强化学习来微调该系统。

    Apr, 2019

  • 提高图像到文本放射学报告生成的事实完整性和一致性

    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

  • 通过语义奖励提高放射科报告生成的事实正确性

    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

  • AI生成报告的事实核查

    通过使用相关图像，我们提出了一种新的人工智能报告事实检查方法，用于验证自动生成报告中的真假句子，以改进临床工作流程。

    Jul, 2023

  • 临床医生与放射学报告生成模型之间的共识、不一致性和协同效应

    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

  • 利用专业放射科医师的专长提升放射学报告的LLM评估

    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

  • 绿色：生成性放射学报告评估和错误标注

    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

  • 基于临床背景的医学影像放射报告生成研究

    本研究解决了放射报告生成过程中的评价局限，提出利用变压器模型从胸部X光片生成放射报告的方法，展现出在生成速度和效果上优于传统LSTM模型的优势。我们强调在评估生成报告时应结合语言生成和分类指标，以确保报告的连贯性和诊断价值。

    Aug, 2024

  • 通过知识图谱揭示放射科报告生成模型的知识空白

    本研究针对现有放射科报告生成模型无法真实体现对影像的理解和描述的细致程度这一问题，提出了一种名为ReXKG的系统，通过自动提取结构化信息构建全面的知识图谱。研究发现，ReXKG可以提供更准确的评估指标，从而帮助优化AI模型的性能，提升其在临床中的应用价值。

    Aug, 2024

  • ReXErr：合成具有临床意义的诊断放射学报告中的错误

    本研究解决了医疗图像解读和放射学报告编写中存在的临床不准确和语言错误问题。通过与认证放射科医师合作，提出了ReXErr方法，利用大型语言模型生成胸部X光报告中的代表性错误。研究表明，该方法在错误类别间具有一致性，能够模拟现实场景中常见的错误，可能对报告修正算法的开发与评估具有重要影响。

    Sep, 2024