論文の概要: Differentiable Multi-Agent Actor-Critic for Multi-Step Radiology Report
Summarization
- arxiv url: http://arxiv.org/abs/2203.08257v1
- Date: Tue, 15 Mar 2022 21:18:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-18 08:08:52.797187
- Title: Differentiable Multi-Agent Actor-Critic for Multi-Step Radiology Report
Summarization
- Title（参考訳）: 多段階x線学的要約のための微分可能マルチエージェントアクタ-クリティック
- Authors: Sanjeev Kumar Karn, Ning Liu, Hinrich Schuetze and Oladimeji Farri
- Abstract要約: 放射線医学報告のIpressionIONSセクションは、放射線技師の推論と結論の要約である。
放射線学レポートの要約に関する以前の研究は、単一段階のエンドツーエンドモデルに焦点が当てられていた。
抽出的要約と抽象的要約という2段階のアプローチを提案する。
- 参考スコア（独自算出の注目度）: 5.234281904315526
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The IMPRESSIONS section of a radiology report about an imaging study is a
summary of the radiologist's reasoning and conclusions, and it also aids the
referring physician in confirming or excluding certain diagnoses. A cascade of
tasks are required to automatically generate an abstractive summary of the
typical information-rich radiology report. These tasks include acquisition of
salient content from the report and generation of a concise, easily consumable
IMPRESSIONS section. Prior research on radiology report summarization has
focused on single-step end-to-end models -- which subsume the task of salient
content acquisition. To fully explore the cascade structure and explainability
of radiology report summarization, we introduce two innovations. First, we
design a two-step approach: extractive summarization followed by abstractive
summarization. Second, we additionally break down the extractive part into two
independent tasks: extraction of salient (1) sentences and (2) keywords.
Experiments on a publicly available radiology report dataset show our novel
approach leads to a more precise summary compared to single-step and to
two-step-with-single-extractive-process baselines with an overall improvement
in F1 score Of 3-4%.
- Abstract（参考訳）: 画像研究に関する放射線医学レポートのImpressionIONSセクションは、放射線医の推論と結論の要約であり、また、特定の診断を確認または除外する参考医師を助ける。
典型的な情報豊富な放射線学レポートの要約要約を自動的に生成するために、一連のタスクが要求される。
これらのタスクには、レポートから健全なコンテンツを取得し、簡潔で簡単に消費可能なIMPRESSIONSセクションを生成することが含まれる。
放射線学レポートの要約に関する以前の研究は、単一段階のエンドツーエンドモデルに焦点を当てていた。
放射線報告書要約のカスケード構造と説明可能性を完全に検討するために,2つのイノベーションを紹介する。
まず,抽出的要約と抽象的要約という2段階のアプローチを設計する。
次に,抽出部を,(1)文の抽出と(2)キーワードの抽出という2つの独立したタスクに分割する。
F1スコアの総合的な改善が3.4%であるシングルステップと2ステップの抽出プロセスベースラインと比較して,我々の新しいアプローチがより正確に要約されることを示す。
関連論文リスト
- RadBARTsum: Domain Specific Adaption of Denoising Sequence-to-Sequence Models for Abstractive Radiology Report Summarization [1.8450534779202723]
本研究では,抽象的放射線学レポート要約のためのドメイン固有かつ容易なBARTモデルの適応であるRadBARTsumを提案する。
本手法は,1)生物医学領域の知識学習を改善するための新しい実体マスキング戦略を用いて,放射線学報告の大規模コーパス上でBARTモデルを再学習すること,2)印象区間を予測するためにFindersとバックグラウンドセクションを用いて要約タスクのモデルを微調整すること,の2つの段階を含む。
論文 参考訳（メタデータ） (2024-06-05T08:43:11Z) - 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) - Parse and Recall: Towards Accurate Lung Nodule Malignancy Prediction
like Radiologists [39.907916342786564]
肺がんは世界中で主要な死因であり、早期検診は生存率の向上に不可欠である。
臨床的には、結節の文脈構造と放射線医の蓄積した経験は良性結節と悪性結節の同定の正確性に関連する2つの中核要素である。
本稿では,無線研究者の診断過程をシミュレートする手法を提案する。
論文 参考訳（メタデータ） (2023-07-20T12:38:17Z) - 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) - Factored Attention and Embedding for Unstructured-view Topic-related
Ultrasound Report Generation [70.7778938191405]
本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。
提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
論文 参考訳（メタデータ） (2022-03-12T15:24:03Z) - Learning Semi-Structured Representations of Radiology Reports [10.134080761449093]
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。
論文 参考訳（メタデータ） (2021-12-20T18:53:41Z) - 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) - 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)
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。