論文の概要: An artificial intelligence natural language processing pipeline for
information extraction in neuroradiology
- arxiv url: http://arxiv.org/abs/2107.10021v1
- Date: Wed, 21 Jul 2021 11:31:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-22 18:29:53.237922
- Title: An artificial intelligence natural language processing pipeline for
information extraction in neuroradiology
- Title（参考訳）: 神経放射線学における情報抽出のための人工知能自然言語処理パイプライン
- Authors: Henry Watkins, Robert Gray, Ashwani Jha, Parashkev Nachev
- Abstract要約: 神経学における放射線学的報告情報抽出のための自然言語処理パイプラインを提案する。
我々は,国立神経外科病院の放射線学報告150万件のコーパスを用いて,カスタム言語モデルを訓練し,評価した。
NeuroNLP'と呼ばれる私たちのパイプラインは、これらの報告から臨床的に関係のある情報を確実に抽出することができる。
- 参考スコア（独自算出の注目度）: 0.6117371161379209
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The use of electronic health records in medical research is difficult because
of the unstructured format. Extracting information within reports and
summarising patient presentations in a way amenable to downstream analysis
would be enormously beneficial for operational and clinical research. In this
work we present a natural language processing pipeline for information
extraction of radiological reports in neurology. Our pipeline uses a hybrid
sequence of rule-based and artificial intelligence models to accurately extract
and summarise neurological reports. We train and evaluate a custom language
model on a corpus of 150000 radiological reports from National Hospital for
Neurology and Neurosurgery, London MRI imaging. We also present results for
standard NLP tasks on domain-specific neuroradiology datasets. We show our
pipeline, called `neuroNLP', can reliably extract clinically relevant
information from these reports, enabling downstream modelling of reports and
associated imaging on a heretofore unprecedented scale.
- Abstract（参考訳）: 医療研究における電子健康記録の利用は、非構造化フォーマットのため困難である。
レポート内の情報抽出と患者のプレゼンテーションの要約は,ダウンストリーム分析に適した方法で行うことは,手術研究や臨床研究に非常に有益である。
本稿では,神経学における放射線情報抽出のための自然言語処理パイプラインを提案する。
当社のパイプラインでは、ルールベースと人工知能モデルのハイブリッドシーケンスを使用して、神経学的レポートの抽出と要約を高精度に行います。
われわれは, ロンドン・MRIの国立神経外科・神経外科病院からの150万件の放射線学的報告に基づいて, カスタム言語モデルを訓練し, 評価した。
また、ドメイン固有の神経放射線学データセット上での標準NLPタスクの結果も提示する。
これらの報告から臨床的に関連のある情報を確実に抽出し,報告の下流モデル化と,これまでにない規模の画像化を可能にした。
関連論文リスト
- Uncovering Knowledge Gaps in Radiology Report Generation Models through Knowledge Graphs [18.025481751074214]
我々はReXKGというシステムを導入し,処理されたレポートから構造化された情報を抽出し,放射線学知識グラフを構築する。
我々はAIと人手による放射線学レポートの詳細な比較分析を行い、専門家モデルとジェネラリストモデルの両方のパフォーマンスを評価する。
論文 参考訳（メタデータ） (2024-08-26T16:28:56Z) - AutoRG-Brain: Grounded Report Generation for Brain MRI [57.22149878985624]
放射線学者は、大量の画像を日々のベースで解釈し、対応するレポートを生成する責任を負う。
この要求される作業負荷は、人間のエラーのリスクを高め、治療の遅れ、医療費の増加、収益損失、運用上の不効率につながる可能性がある。
地盤自動報告生成(AutoRG)に関する一連の研究を開始した。
このシステムは、脳の構造の明細化、異常の局所化、そしてよく組織化された発見の生成をサポートする。
論文 参考訳（メタデータ） (2024-07-23T17:50:00Z) - RaTEScore: A Metric for Radiology Report Generation [59.37561810438641]
本稿では,Radiological Report (Text) Evaluation (RaTEScore) として,新しい実体認識尺度を提案する。
RaTEScoreは、診断結果や解剖学的詳細などの重要な医療機関を強調し、複雑な医学的同義語に対して堅牢であり、否定表現に敏感である。
我々の評価は、RaTEScoreが既存の指標よりも人間の嗜好とより密接に一致していることを示し、確立された公開ベンチマークと、新たに提案したRaTE-Evalベンチマークの両方で検証した。
論文 参考訳（メタデータ） (2024-06-24T17:49:28Z) - Large Model driven Radiology Report Generation with Clinical Quality
Reinforcement Learning [16.849933628738277]
放射線学報告生成 (RRG) は, 放射線技師の作業量削減の可能性から注目されている。
本稿では,新しいRRG法である textbfLM-RRG について紹介する。
MIMIC-CXRおよびIU-Xrayデータセットを用いた実験により,本手法が技術状況よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-03-11T13:47:11Z) - Evaluating General Purpose Vision Foundation Models for Medical Image Analysis: An Experimental Study of DINOv2 on Radiology Benchmarks [5.8941124219471055]
DINOv2はオープンソースのファンデーションモデルで、1億4200万のキュレートされた自然画像に対する自己教師付き学習を事前訓練している。
本研究は放射線学におけるDINOv2の性能を総合的に評価する。
論文 参考訳（メタデータ） (2023-12-04T21:47:10Z) - Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳（メタデータ） (2023-11-18T14:52:26Z) - Beyond Images: An Integrative Multi-modal Approach to Chest X-Ray Report
Generation [47.250147322130545]
画像からテキストまでの放射線学レポート生成は,医療画像の発見を記述した放射線学レポートを自動生成することを目的としている。
既存の方法の多くは画像データのみに焦点をあてており、他の患者情報は放射線科医に公開されていない。
胸部X線レポートを生成するための多モードディープニューラルネットワークフレームワークを,非構造的臨床ノートとともにバイタルサインや症状などの構造化された患者データを統合することで提案する。
論文 参考訳（メタデータ） (2023-11-18T14:37:53Z) - ChatRadio-Valuer: A Chat Large Language Model for Generalizable
Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。
本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。
ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
論文 参考訳（メタデータ） (2023-10-08T17:23:17Z) - Act Like a Radiologist: Radiology Report Generation across Anatomical Regions [50.13206214694885]
X-RGenは6つの解剖学的領域にわたる放射線学者によるレポート生成フレームワークである。
X-RGenでは、ヒトの放射線学者の行動を模倣し、これらを4つの主要な段階に分解する。
画像エンコーダの認識能力は,各領域にまたがる画像やレポートを分析して向上する。
論文 参考訳（メタデータ） (2023-05-26T07:12:35Z) - Interactive and Explainable Region-guided Radiology Report Generation [6.667150890634173]
既存の方法では、画像レベルの特徴から完全なレポートを生成し、画像内の解剖学的領域に明示的にフォーカスすることができない。
本稿では, 解剖学的領域を検出し, 個人, 健康領域を記述し, 最終報告を作成するための簡易かつ効果的な地域誘導レポート生成モデルを提案する。
本手法は,新たな臨床応用事例を対話的機能によって開放し,高い透明性と説明可能性をもたらす。
論文 参考訳（メタデータ） (2023-04-17T14:12:09Z)
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。