Sep, 2024

ReXErr：合成具有临床意义的诊断放射学报告中的错误

HTML
PDF
TL;DR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。
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

  • 通过删除虚构的对不存在的先验的引用来改进放射学报告生成系统

    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

  • 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

  • 探索多模态大型语言模型用于放射学报告错误检查

    该研究通过多模态大型语言模型（LLMs）作为辅助工具，检视放射科医生报告中的错误，取得良好的效果，对放射学诊断准确性的提升具有潜力。

    Dec, 2023

  • 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

  • 利用大型语言模型进行临床报告错误校正的知识检索

    临床放射学报告中的错误更正方法研究，利用大型语言模型（LLMs）和检索增强生成（RAG）技术，通过内部和外部检索机制从报告和外部知识源中提取相关医学实体和关系，并引入三阶段推理过程，将任务分解成错误检测、定位和更正子任务，从而提高了系统的可解释性和性能，并通过由领域专家指导的对真实世界放射学报告进行真实错误损坏的基准数据集进行了评估，实验结果表明了所提方法的优势，通过内部和外部检索的结合显著提高了各种最先进的LLMs在错误检测、定位和更正方面的准确性，研究结果有助于为临床文档制定更健壮可靠的错误更正系统。

    Jun, 2024

  • 通过辅助审计组件进行放射报告生成模型的质量控制

    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

  • 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

  • 重新审视全球：揭示放射学报告生成指标中的不一致性框架

    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