論文の概要: Prior Knowledge Enhances Radiology Report Generation
- arxiv url: http://arxiv.org/abs/2201.03761v1
- Date: Tue, 11 Jan 2022 03:32:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-12 13:25:32.135165
- Title: Prior Knowledge Enhances Radiology Report Generation
- Title(参考訳): 事前知識が放射線レポート生成を増強する
- Authors: Song Wang, Liyan Tang, Mingquan Lin, George Shih, Ying Ding, Yifan
Peng
- Abstract要約: 従来の深層学習法は、医学的発見の相互影響を無視する傾向にある。
本稿では,医学的所見の関連性について,情報的知識グラフを用いて検討・表現することを提案する。
実験により、事前の知識が正確な放射線学レポート生成にパフォーマンスの向上をもたらすことが示唆された。
- 参考スコア(独自算出の注目度): 17.052765157607073
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Radiology report generation aims to produce computer-aided diagnoses to
alleviate the workload of radiologists and has drawn increasing attention
recently. However, previous deep learning methods tend to neglect the mutual
influences between medical findings, which can be the bottleneck that limits
the quality of generated reports. In this work, we propose to mine and
represent the associations among medical findings in an informative knowledge
graph and incorporate this prior knowledge with radiology report generation to
help improve the quality of generated reports. Experiment results demonstrate
the superior performance of our proposed method on the IU X-ray dataset with a
ROUGE-L of 0.384$\pm$0.007 and CIDEr of 0.340$\pm$0.011. Compared with previous
works, our model achieves an average of 1.6% improvement (2.0% and 1.5%
improvements in CIDEr and ROUGE-L, respectively). The experiments suggest that
prior knowledge can bring performance gains to accurate radiology report
generation. We will make the code publicly available at
https://github.com/bionlplab/report_generation_amia2022.
- Abstract(参考訳): 放射線医学報告生成は, 放射線科医の作業負荷を軽減するため, コンピュータ支援診断を作成することを目的としており, 近年注目を集めている。
しかし, 従来の深層学習手法では, 医学的所見間の相互影響を無視する傾向があり, 報告の質を損なうボトルネックとなる。
本稿では,情報的知識グラフを用いて,医学的発見の関連性について検討し,その先行知識を放射線学的報告生成に取り入れ,報告の質を向上させることを提案する。
実験の結果, ROUGE-Lを0.384$\pm$0.007, CIDErを0.340$\pm$0.011とするIU X線データセットにおいて, 提案手法の優れた性能を示した。
CIDErとROUGE-Lは平均1.6%の改善(それぞれ2.0%と1.5%の改善)を達成した。
実験により, 先行知識が正確な放射線学レポート生成に性能向上をもたらす可能性が示唆された。
コードはhttps://github.com/bionlplab/report_generation_amia2022で公開します。
関連論文リスト
- Resource-Efficient Medical Report Generation using Large Language Models [3.2627279988912194]
医療報告生成は胸部X線画像の放射線診断レポートを自動作成する作業である。
本稿では,医療報告生成のタスクに視覚対応大規模言語モデル(LLM)を活用する新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2024-10-21T05:08:18Z) - MGH Radiology Llama: A Llama 3 70B Model for Radiology [50.42811030970618]
本稿では,高度な放射線学に焦点を当てた大規模言語モデルMGH Radiology Llamaを提案する。
Llama 3 70Bモデルを使用して開発され、Radiology-GPTやRadiology-Llama2といった従来のドメイン固有モデルをベースにしている。
従来の指標とGPT-4に基づく評価の両方を取り入れた評価では,汎用LLMよりも高い性能を示す。
論文 参考訳(メタデータ) (2024-08-13T01:30:03Z) - 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) - 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) - 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) - Longitudinal Data and a Semantic Similarity Reward for Chest X-Ray Report Generation [7.586632627817609]
放射線学者は、解釈と報告を必要とする胸部X線(CXR)の量の増加のために、高いバーンアウト率に直面している。
提案するCXRレポートジェネレータは,ワークフローの要素を統合し,強化学習のための新たな報酬を導入する。
本研究の結果から, 提案モデルでは, 最新技術モデルよりも, 放射線学者の報告に適合した報告が生成されることがわかった。
論文 参考訳(メタデータ) (2023-07-19T05:41:14Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳(メタデータ) (2023-06-02T01:46:31Z) - Exploring and Distilling Posterior and Prior Knowledge for Radiology
Report Generation [55.00308939833555]
PPKEDには、Posterior Knowledge Explorer (PoKE), Prior Knowledge Explorer (PrKE), Multi-domain Knowledge Distiller (MKD)の3つのモジュールが含まれている。
PoKEは後部知識を探求し、視覚データのバイアスを軽減するために明確な異常な視覚領域を提供する。
PrKEは、以前の医学知識グラフ(医学知識)と以前の放射線学レポート(作業経験)から以前の知識を探り、テキストデータのバイアスを軽減する。
論文 参考訳(メタデータ) (2021-06-13T11:10:02Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳(メタデータ) (2021-03-19T14:13:56Z) - Improving Factual Completeness and Consistency of Image-to-Text
Radiology Report Generation [26.846912996765447]
我々は,事実的完全かつ一貫した放射線学報告の創出を促進するために,新たな2つの簡単な報奨制度を導入する。
私たちのシステムでは,ベースラインよりも現実的に完全で一貫性のある世代が生まれることが示されています。
論文 参考訳(メタデータ) (2020-10-20T05:42:47Z)
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。