論文の概要: Learning Semi-Structured Representations of Radiology Reports
- arxiv url: http://arxiv.org/abs/2112.10746v1
- Date: Mon, 20 Dec 2021 18:53:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-21 16:04:25.922232
- Title: Learning Semi-Structured Representations of Radiology Reports
- Title（参考訳）: 放射線医学レポートの半構造化表現の学習
- Authors: Tamara Katic, Martin Pavlovski, Danijela Sekulic, Slobodan Vucetic
- Abstract要約: 放射線学レポートのコーパスを考えると、研究者は特定の医学的発見を説明するレポートのサブセットを見つけることにしばしば興味を持っている。
最近の研究では、ラジオロジーレポートにおける自由文文を、限られた語彙から取られた半構造化語列にマッピングする提案がなされている。
本稿では,放射線学報告の半構造化表現の自動生成手法を提案する。
- 参考スコア（独自算出の注目度）: 10.134080761449093
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Beyond their primary diagnostic purpose, radiology reports have been an
invaluable source of information in medical research. Given a corpus of
radiology reports, researchers are often interested in identifying a subset of
reports describing a particular medical finding. Because the space of medical
findings in radiology reports is vast and potentially unlimited, recent studies
proposed mapping free-text statements in radiology reports to semi-structured
strings of terms taken from a limited vocabulary. This paper aims to present an
approach for the automatic generation of semi-structured representations of
radiology reports. The approach consists of matching sentences from radiology
reports to manually created semi-structured representations, followed by
learning a sequence-to-sequence neural model that maps matched sentences to
their semi-structured representations. We evaluated the proposed approach on
the OpenI corpus of manually annotated chest x-ray radiology reports. The
results indicate that the proposed approach is superior to several baselines,
both in terms of (1) quantitative measures such as BLEU, ROUGE, and METEOR and
(2) qualitative judgment of a radiologist. The results also demonstrate that
the trained model produces reasonable semi-structured representations on an
out-of-sample corpus of chest x-ray radiology reports from a different medical
provider.
- Abstract（参考訳）: 主な診断目的を超えて、放射線医学報告は医学研究において貴重な情報源となっている。
放射線学レポートのコーパスを考えると、研究者は特定の医学的発見を説明するレポートのサブセットを見つけることにしばしば興味を持っている。
放射線医学レポートにおける医学的発見の範囲は広く、潜在的に無限であるので、最近の研究では、放射線医学レポートのフリーテキストステートメントを限定された語彙から取られた半構造化文字列にマッピングすることを提案した。
本稿では,放射線学報告の半構造化表現の自動生成手法を提案する。
アプローチは、ラジオロジーレポートからの一致した文から半構造化表現を手作業で作成し、その後、一致した文を半構造化表現にマッピングするシーケンス・ツー・シーケンス・ニューラルモデルを学ぶ。
胸部X線診断を手動で行った症例のOpenIコーパスに対するアプローチについて検討した。
その結果,(1) bleu,rouge,meteorなどの定量的指標,(2) 放射線科医の質的判断において,提案手法はいくつかの基準よりも優れていることが示唆された。
また, 異なる医療機関からの胸部X線X線診断報告を, サンプル外コーパスに有意な半構造化表現を生成できることを示した。
関連論文リスト
- 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) - Structural Entities Extraction and Patient Indications Incorporation for Chest X-ray Report Generation [10.46031380503486]
胸部X線レポート生成のための新しい方法である textbfStructural textbfEntities 抽出法と textbfIncorporation (SEI) を考案した。
我々は、レポートにおけるプレゼンテーションスタイルの語彙を排除するために、構造エンティティ抽出(SEE)アプローチを採用する。
我々は,X線画像,類似の歴史的症例,患者固有の指標からの情報を統合するクロスモーダル融合ネットワークを提案する。
論文 参考訳（メタデータ） (2024-05-23T01:29:47Z) - 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) - Controllable Chest X-Ray Report Generation from Longitudinal
Representations [13.151444796296868]
レポートをスピードアップする1つの戦略は、自動レポートシステムを統合することである。
自動放射線診断への従来のアプローチは、入力として事前の研究を提供していないのが一般的である。
筆者らは,(1) 縦断学習 -- マルチモーダルレポート生成モデルに提供可能な関節長手表現に,現在のスキャン情報と先行スキャン情報を整合し,活用する手法を提案する。(2) 文解剖学的ドロップアウト -- レポート生成モデルを用いて,入力として与えられた解剖学的領域のサブセットに対応する元のレポートからのみ文を予測する訓練戦略。
論文 参考訳（メタデータ） (2023-10-09T17:22:58Z) - 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) - Multilingual Natural Language Processing Model for Radiology Reports --
The Summary is all you need! [2.4910932804601855]
マルチリンガルテキスト・トゥ・テキスト・トランスフォーマに基づくモデルを微調整することで、放射線学印象の生成を自動化した。
ブラインドテストでは、2人の放射線学者が、システム生成サマリーのうち少なくとも70%は、品質が対応する人文サマリーと一致または上回っていることを示した。
本研究は,複数の言語モデルにおいて,放射線学レポートの要約に特化している他のモデルと,特に放射線学レポートの要約に特化していないモデルとを比較検討した。
論文 参考訳（メタデータ） (2023-09-29T19:20:27Z) - Radiology-Llama2: Best-in-Class Large Language Model for Radiology [71.27700230067168]
本稿では,ラジオロジーに特化した大規模言語モデルであるRadiology-Llama2を紹介する。
MIMIC-CXRとOpenIデータセットのROUGEメトリクスを用いた定量的評価は、Radiology-Llama2が最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2023-08-29T17:44:28Z) - Improving Radiology Summarization with Radiograph and Anatomy Prompts [60.30659124918211]
本稿では,印象生成を促進するために,新しい解剖学的拡張型マルチモーダルモデルを提案する。
より詳しくは、まず、解剖学を抽出する一連のルールを構築し、各文にこれらのプロンプトを配置し、解剖学的特徴を強調する。
コントラスト学習モジュールを用いて、これらの2つの表現を全体レベルで整列させ、コアテンションを用いて文レベルで融合させる。
論文 参考訳（メタデータ） (2022-10-15T14:05:03Z) - 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) - Knowledge Graph Construction and Its Application in Automatic Radiology
Report Generation from Radiologist's Dictation [22.894248859405767]
本稿では,情報抽出(IE)やドメイン固有知識グラフ(KG)といったNLP技術を用いて,放射線技師の指示から放射線学レポートを自動的に生成する手法について述べる。
本研究では,ルールベース,パターンベース,辞書ベースの手法と語彙意味的特徴を組み合わせた情報抽出パイプラインを構築し,エンティティと関係を抽出する。
意味的類似度指標を用いて評価した病理的記述を生成し,金の標準的な病理学的記述と97%の類似性を示した。
論文 参考訳（メタデータ） (2022-06-13T16:46:54Z)
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。