論文の概要: Supervised Machine Learning Algorithm for Detecting Consistency between Reported Findings and the Conclusions of Mammography Reports

• arxiv url: http://arxiv.org/abs/2202.13618v1
• Date: Mon, 28 Feb 2022 08:59:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-03-01 15:34:59.238847
• Title: Supervised Machine Learning Algorithm for Detecting Consistency between Reported Findings and the Conclusions of Mammography Reports
• Title（参考訳）: マンモグラフィーレポートの要約と報告された発見の一致を検出する機械学習アルゴリズム
• Authors: Alexander Berdichevsky, Mor Peleg, and Daniel L. Rubin
• Abstract要約: マンモグラフィーは患者の病態の診断を文書化する。 多くの報告は非標準用語(非BI-RADS記述子)と不完全文を含んでいる。 本研究の目的は,報告された結論と,報告された放射線学の知見に基づいて期待される結果とを比較して,そのような不一致を検出するツールを開発することである。
• 参考スコア（独自算出の注目度）: 66.89977257992568
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Objective. Mammography reports document the diagnosis of patients' conditions. However, many reports contain non-standard terms (non-BI-RADS descriptors) and incomplete statements, which can lead to conclusions that are not well-supported by the reported findings. Our aim was to develop a tool to detect such discrepancies by comparing the reported conclusions to those that would be expected based on the reported radiology findings. Materials and Methods. A deidentified data set from an academic hospital containing 258 mammography reports supplemented by 120 reports found on the web was used for training and evaluation. Spell checking and term normalization was used to unambiguously determine the reported BI-RADS descriptors. The resulting data were input into seven classifiers that classify mammography reports, based on their Findings sections, into seven BI-RADS final assessment categories. Finally, the semantic similarity score of a report to each BI-RADS category is reported. Results. Our term normalization algorithm correctly identified 97% of the BI-RADS descriptors in mammography reports. Our system provided 76% precision and 83% recall in correctly classifying the reports according to BI-RADS final assessment category. Discussion. The strength of our approach relies on providing high importance to BI-RADS terms in the summarization phase, on the semantic similarity that considers the complex data representation, and on the classification into all seven BI-RADs categories. Conclusion. BI-RADS descriptors and expected final assessment categories could be automatically detected by our approach with fairly good accuracy, which could be used to make users aware that their reported findings do not match well with their conclusion.
• Abstract（参考訳）: 目的。 マンモグラフィーは患者の病態の診断を文書化する。 しかし、多くの報告は非標準用語(非BI-RADS記述子)と不完全文を含んでおり、報告された結果によく支持されていない結論につながる可能性がある。 本研究の目的は, 報告された結論と, 報告された放射線学的所見に基づいて期待される結論を比較して, それらの不一致を検出するツールを開発することである。 材料と方法。 ウェブで発見された120件の報告を補足した258件のマンモグラフィーレポートを含む大学病院の特定データを用いて,トレーニングと評価を行った。 スペルチェックと項正規化は、報告されたBI-RADS記述子を曖昧に決定するために使用された。 得られたデータは7つの分類器に入力され, マンモグラフィーレポートを検索セクションに基づいて7つのBI-RADS最終評価カテゴリに分類した。 最後に、各BI-RADSカテゴリに対するレポートの意味的類似度スコアを報告する。 結果だ マンモグラフィでは, BI-RADS記述子の97%が正しく同定された。 本システムでは,BI-RADS最終評価カテゴリーに従って,精度76%,リコール83%を正しく分類した。 議論だ 本手法の強みは, 要約フェーズにおけるBI-RADS用語の重要度, 複雑なデータ表現を考慮した意味的類似度, BI-RADSの7つのカテゴリに分類することにある。 結論だ bi-radsディスクリプタと最終的な評価カテゴリは、かなり精度の高いアプローチによって自動的に検出され、報告された結果が結論に合っていないことをユーザーに認識させるのに使用できる。

関連論文リスト

• IP-CRR: Information Pursuit for Interpretable Classification of Chest Radiology Reports [31.359504909372884]
  本稿では,放射線学レポートの分類のための解釈可能なフレームワークを提案する。 キーとなる考え方は、大量のレポートから最も情報性の高いクエリの集合を抽出し、これらのクエリとその対応する回答を使用して診断を予測することである。 提案手法の有効性を示すMIMIC-CXRデータセットの実験を行った。
  論文  参考訳（メタデータ） (2025-04-30T21:20:05Z)
• BI-RADS prediction of mammographic masses using uncertainty information extracted from a Bayesian Deep Learning model [0.0]
  ベイズ深層学習モデルにより抽出された不確実性情報を用いてBI_RADSスコアを予測する。 このモデルは良性検体を75.86%の精度で識別し、すべての悪性検体をBI_RADS 5と正しく識別することができる。
  論文  参考訳（メタデータ） (2025-03-18T08:06:05Z)
• GEMA-Score: Granular Explainable Multi-Agent Score for Radiology Report Evaluation [8.071354543390274]
  本稿では,粒状説明可能マルチエージェントスコア(GEMA-Score)を提案する。 GEMA-Scoreは大規模言語モデルに基づくマルチエージェントワークフローを通じて客観的定量化と主観評価を行う。 実験により、GEMA-Scoreは、公開データセット上での人間の専門家評価と最も高い相関を達成できることが示された。
  論文  参考訳（メタデータ） (2025-03-07T11:42:22Z)
• Contrastive Learning with Counterfactual Explanations for Radiology Report Generation [83.30609465252441]
  放射線学レポート生成のためのtextbfCountertextbfFactual textbfExplanations-based framework (CoFE) を提案する。 反現実的な説明は、アルゴリズムによってなされた決定をどのように変えられるかを理解するための強力なツールとして、シナリオが何であるかを問うことによって役立ちます。 2つのベンチマークの実験では、反ファクト的な説明を活用することで、CoFEは意味的に一貫性があり、事実的に完全なレポートを生成することができる。
  論文  参考訳（メタデータ） (2024-07-19T17:24:25Z)
• 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)
• Comparative Experimentation of Accuracy Metrics in Automated Medical Reporting: The Case of Otitis Consultations [0.5242869847419834]
  生成人工知能(Generative Artificial Intelligence)は、医療相談書の書き起こしに基づいて、自動的に医療報告を生成するために用いられる。 生成したレポートの正確さは、その正確さと有用性を保証するために確立する必要がある。 AIが生成したレポートの正確性を測定する指標はいくつかあるが、これらの指標を医療報告に適用するための作業はほとんど行われていない。
  論文  参考訳（メタデータ） (2023-11-22T09:51:43Z)
• 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)
• BI-RADS BERT & Using Section Tokenization to Understand Radiology Reports [0.18352113484137625]
  ドメイン固有の文脈単語の埋め込みは、医学におけるそのような自然言語処理タスクにおいて印象的な精度を達成することが示されている。 BERTモデルは、胸部X線検査で事前訓練され、部分トークン化と組み合わせて、全野抽出の95.9%の精度が得られた。
  論文  参考訳（メタデータ） (2021-10-14T17:25:49Z)
• BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer Diagnosis in Breast Ultrasound Images [69.41441138140895]
  本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。 提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。 臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
  論文  参考訳（メタデータ） (2021-10-05T19:14:46Z)
• A New Computer-Aided Diagnosis System with Modified Genetic Feature Selection for BI-RADS Classification of Breast Masses in Mammograms [5.395050211492798]
  マンモグラフィー報告における異常を記述するために用いられる言語は、乳房画像報告・データシステム(BI-RADS)に基づく。 本稿では,マンモグラフィ集団をBI-RADSの4つの評価カテゴリに分類する,コンピュータ支援診断(CAD)システムを提案する。
  論文  参考訳（メタデータ） (2020-05-11T13:06:25Z)
• Show, Describe and Conclude: On Exploiting the Structure Information of Chest X-Ray Reports [5.6070625920019825]
  胸部X線像(CXR)は臨床検診や診断に一般的に用いられる。 レポートのセクションと内部の複雑な構造は、自動レポート生成に大きな課題をもたらします。 本稿では,CXRイメージングレポートを生成するために,レポートセクション間の構造情報を利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） (2020-04-26T02:29:20Z)
• CLARA: Clinical Report Auto-completion [56.206459591367405]
  CLARA(CLinicit Al It Report It Auto-Completion)は、医師のアンカーワードと部分的に完成した文に基づいて、文章でレポートを生成するインタラクティブな方法である。 実験では,X線で0.393 CIDEr,0.248 BLEU-4,脳波で0.482 CIDEr,0.491 BLEU-4を得た。
  論文  参考訳（メタデータ） (2020-02-26T18:45:00Z)

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。