論文の概要: Neuradicon: operational representation learning of neuroimaging reports
- arxiv url: http://arxiv.org/abs/2107.10021v2
- Date: Mon, 27 Nov 2023 18:09:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-30 18:15:57.939155
- Title: Neuradicon: operational representation learning of neuroimaging reports
- Title（参考訳）: ニューラディドン : ニューロイメージングレポートの運用的表現学習
- Authors: Henry Watkins, Robert Gray, Adam Julius, Yee-Haur Mah, Walter H.L.
Pinaya, Paul Wright, Ashwani Jha, Holger Engleitner, Jorge Cardoso, Sebastien
Ourselin, Geraint Rees, Rolf Jaeger and Parashkev Nachev
- Abstract要約: ニューラディドン(Neuradicon)は、神経放射線学的な報告を定量的に分析するための枠組みである。
私たちのフレームワークはルールベースと人工知能モデルのハイブリッドです。
我々はNeuradiconを336,569件の報告コーパスの表現型化に応用した。
- 参考スコア（独自算出の注目度）: 0.8205237723072158
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Radiological reports typically summarize the content and interpretation of
imaging studies in unstructured form that precludes quantitative analysis. This
limits the monitoring of radiological services to throughput undifferentiated
by content, impeding specific, targeted operational optimization. Here we
present Neuradicon, a natural language processing (NLP) framework for
quantitative analysis of neuroradiological reports. Our framework is a hybrid
of rule-based and artificial intelligence models to represent neurological
reports in succinct, quantitative form optimally suited to operational
guidance. We demonstrate the application of Neuradicon to operational
phenotyping of a corpus of 336,569 reports, and report excellent
generalizability across time and two independent healthcare institutions.
- Abstract（参考訳）: 放射線学的報告は通常、定量的解析を妨げる非構造化形態のイメージング研究の内容と解釈を要約する。
これにより、無線サービスの監視は、コンテンツによって差別化されていないスループットに制限される。
本稿では,神経放射線学報告の定量的解析のための自然言語処理(NLP)フレームワークであるNeuradiconを紹介する。
我々のフレームワークは、神経学的報告を、操作指導に最適な簡潔で定量的に表現するためのルールベースと人工知能モデルのハイブリッドである。
我々は,Neuradiconを336,569件の報告コーパスの表現型化に応用し,時間と2つの独立した医療機関で優れた一般化性を示す。
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。