論文の概要: An Ensemble Approach for Automatic Structuring of Radiology Reports
- arxiv url: http://arxiv.org/abs/2010.02256v2
- Date: Sun, 11 Oct 2020 00:06:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 20:21:17.095798
- Title: An Ensemble Approach for Automatic Structuring of Radiology Reports
- Title(参考訳): ラジオグラフィーレポートの自動構造化のためのアンサンブルアプローチ
- Authors: Morteza Pourreza Shahri, Amir Tahmasebi, Bingyang Ye, Henghui Zhu,
Javed Aslam, Timothy Ferris
- Abstract要約: 本稿では,3つのモデルの予測を集約し,文の自動ラベリングのためのテキスト情報の様々な属性をキャプチャするアンサンブル手法を提案する。
提案手法は97.1%の精度で他の手法よりも優れている。
- 参考スコア(独自算出の注目度): 6.186392239590685
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic structuring of electronic medical records is of high demand for
clinical workflow solutions to facilitate extraction, storage, and querying of
patient care information. However, developing a scalable solution is extremely
challenging, specifically for radiology reports, as most healthcare institutes
use either no template or department/institute specific templates. Moreover,
radiologists' reporting style varies from one to another as sentences are
telegraphic and do not follow general English grammar rules. We present an
ensemble method that consolidates the predictions of three models, capturing
various attributes of textual information for automatic labeling of sentences
with section labels. These three models are: 1) Focus Sentence model, capturing
context of the target sentence; 2) Surrounding Context model, capturing the
neighboring context of the target sentence; and finally, 3) Formatting/Layout
model, aimed at learning report formatting cues. We utilize Bi-directional
LSTMs, followed by sentence encoders, to acquire the context. Furthermore, we
define several features that incorporate the structure of reports. We compare
our proposed approach against multiple baselines and state-of-the-art
approaches on a proprietary dataset as well as 100 manually annotated radiology
notes from the MIMIC-III dataset, which we are making publicly available. Our
proposed approach significantly outperforms other approaches by achieving 97.1%
accuracy.
- Abstract(参考訳): 電子カルテの自動構造化は、患者のケア情報の抽出、保存、問い合わせを容易にするために、臨床ワークフローソリューションの需要が高い。
しかし、多くの医療機関ではテンプレートや部門/機関固有のテンプレートを使用しないため、特に放射線学の報告では、スケーラブルなソリューションの開発は非常に難しい。
さらに、電文は電文であり、一般的な英語の文法規則に従わないため、放射線学者の報告スタイルは様々である。
本稿では,3つのモデルの予測を集約し,文の自動ラベル付けのためのテキスト情報の様々な属性を抽出するアンサンブル手法を提案する。
これら3つのモデルは
1) 対象文の文脈を捉えた文モデルに焦点を当てる。
2) 文脈モデルを取り囲む, 対象文の隣接する文脈を捉え, そして最後に
3)レポートフォーマッティングの学習を目的としたフォーマッティング/レイアウトモデル。
両方向LSTMと文エンコーダを併用してコンテキストを取得する。
さらに,レポートの構造を組み込んだ特徴をいくつか定義する。
提案手法を,プロプライエタリなデータセットに対する複数のベースラインと最先端のアプローチ,MIMIC-IIIデータセットから手動で注釈付ラジオロジーノート100点と比較した。
提案手法は97.1%の精度で他の手法を大きく上回っている。
関連論文リスト
- Ultrasound Report Generation with Cross-Modality Feature Alignment via Unsupervised Guidance [37.37279393074854]
教師なしおよび教師なしの学習手法を併用した,超音波自動レポート生成のための新しいフレームワークを提案する。
本フレームワークは,超音波テキストレポートから潜在的知識を抽出するための教師なし学習手法を取り入れている。
我々は、より包括的で正確な医療報告を生成する能力を高めるために、グローバルな意味比較機構を設計する。
論文 参考訳(メタデータ) (2024-06-02T07:16:58Z) - Large Multimodal Model based Standardisation of Pathology Reports with Confidence and their Prognostic Significance [4.777807873917223]
本稿では,病理報告のスキャン画像から情報を自動的に抽出するために,大規模マルチモーダルモデル(LMM)を用いた実践的アプローチを提案する。
提案手法は,情報抽出と検証にLMM(Large Multimodal Model)の2つの段階を利用する。
推定された信頼度は、抽出されたフィールドのみを正確に選択できる抽出情報の精度の効果的な指標であることを示す。
論文 参考訳(メタデータ) (2024-05-03T12:19:38Z) - MedCycle: Unpaired Medical Report Generation via Cycle-Consistency [11.190146577567548]
一貫性のあるラベリングスキーマを必要としない革新的なアプローチを導入する。
このアプローチは、画像埋め込みをレポート埋め込みに変換するサイクル一貫性マッピング関数に基づいている。
胸部X線所見の発生は、最先端の結果よりも優れており、言語と臨床の両方の指標の改善が示されている。
論文 参考訳(メタデータ) (2024-03-20T09:40:11Z) - Contextualization Distillation from Large Language Model for Knowledge
Graph Completion [51.126166442122546]
我々は、差別的かつ生成的なKGCフレームワークと互換性のあるプラグイン・アンド・プレイ方式であるContextualization Distillation戦略を導入する。
提案手法は,大規模言語モデルに対して,コンパクトで構造的な三重項を文脈に富んだセグメントに変換するように指示することから始まる。
多様なデータセットとKGC技術にわたる総合的な評価は、我々のアプローチの有効性と適応性を強調している。
論文 参考訳(メタデータ) (2024-01-28T08:56:49Z) - PathLDM: Text conditioned Latent Diffusion Model for Histopathology [62.970593674481414]
そこで我々は,高品質な病理像を生成するためのテキスト条件付き遅延拡散モデルPathLDMを紹介した。
提案手法は画像とテキストデータを融合して生成プロセスを強化する。
我々は,TCGA-BRCAデータセット上でのテキスト・ツー・イメージ生成において,SoTA FIDスコア7.64を達成し,FID30.1と最も近いテキスト・コンディショナブル・コンペティタを著しく上回った。
論文 参考訳(メタデータ) (2023-09-01T22:08:32Z) - An Iterative Optimizing Framework for Radiology Report Summarization with ChatGPT [80.33783969507458]
放射線医学報告の「印象」セクションは、放射線医と他の医師とのコミュニケーションにとって重要な基盤である。
近年の研究では、大規模医療用テキストデータを用いた印象自動生成の有望な成果が得られている。
これらのモデルは、しばしば大量の医療用テキストデータを必要とし、一般化性能が劣る。
論文 参考訳(メタデータ) (2023-04-17T17:13:42Z) - ASDOT: Any-Shot Data-to-Text Generation with Pretrained Language Models [82.63962107729994]
Any-Shot Data-to-Text (ASDOT)は、多様な設定に柔軟に適用可能な新しいアプローチである。
データ曖昧化と文の融合という2つのステップから構成される。
実験の結果, ASDOT はベースラインよりも顕著な改善が得られた。
論文 参考訳(メタデータ) (2022-10-09T19:17:43Z) - Medical Image Captioning via Generative Pretrained Transformers [57.308920993032274]
我々は、Show-Attend-Tell と GPT-3 という2つの言語モデルを組み合わせて、包括的で記述的な放射線学記録を生成する。
提案モデルは、Open-I、MIMIC-CXR、汎用MS-COCOの2つの医療データセットで検証される。
論文 参考訳(メタデータ) (2022-09-28T10:27:10Z) - Radiology Report Generation with a Learned Knowledge Base and
Multi-modal Alignment [27.111857943935725]
胸部X線からのレポート生成のための自動マルチモーダルアプローチを提案する。
本手法は,学習知識ベースとマルチモーダルアライメントの2つの異なるモジュールを特徴とする。
両モジュールの助けを借りて、我々のアプローチは明らかに最先端の手法よりも優れている。
論文 参考訳(メタデータ) (2021-12-30T10:43:56Z) - Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。
目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。
本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
論文 参考訳(メタデータ) (2021-08-02T10:42:52Z) - Writing by Memorizing: Hierarchical Retrieval-based Medical Report
Generation [26.134055930805523]
レポートと文レベルのテンプレートの両方を自動的に抽出する新しい階層的検索機構を組み込んだMedWriterを提案する。
MedWriterはまずVisual-Language Retrieval(VLR)モジュールを使用して、与えられた画像の最も関連性の高いレポートを取得する。
文間の論理的一貫性を保証するため、言語言語検索(LLR)モジュールを導入し、関連する文を検索する。
最終的に、言語デコーダは、検索されたレポートと文から画像の特徴と特徴を融合して、意味のある医療レポートを生成する。
論文 参考訳(メタデータ) (2021-05-25T07:47:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。