論文の概要: A Review of Published Machine Learning Natural Language Processing Applications for Protocolling Radiology Imaging

• arxiv url: http://arxiv.org/abs/2206.11502v1
• Date: Thu, 23 Jun 2022 06:57:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-24 22:19:35.846141
• Title: A Review of Published Machine Learning Natural Language Processing Applications for Protocolling Radiology Imaging
• Title（参考訳）: protocolling radiology imagingにおける機械学習自然言語処理応用の現状と展望
• Authors: Nihal Raju (5), Michael Woodburn (1 and 5), Stefan Kachel (2 and 3), Jack O'Shaughnessy (5), Laurence Sorace (5), Natalie Yang (2), Ruth P Lim (2 and 4) ((1) Harvard University, Extension School, Cambridge, MA, USA, (2) Department of Radiology, The University of Melbourne, Parkville, (3) Department of Radiology, Columbia University in the City of New York, (4) Department of Surgery, Austin, The University of Melbourne, (5) Austin Hospital, Austin Health, Melbourne, Australia)
• Abstract要約: 機械学習(ML)は人工知能(AI)のサブフィールドであり、放射線学におけるその応用は絶えず加速している。 自然言語処理(NLP)は、テキスト解釈タスクのMLと組み合わせることができるが、放射線学にも多くの応用が考えられる。 そのような応用の1つは、臨床放射線学参照を解釈し、適切な撮像技術を選択することを含む放射線学プロトコルの自動化である。
• 参考スコア（独自算出の注目度）: 0.02408121010538496
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning (ML) is a subfield of Artificial intelligence (AI), and its applications in radiology are growing at an ever-accelerating rate. The most studied ML application is the automated interpretation of images. However, natural language processing (NLP), which can be combined with ML for text interpretation tasks, also has many potential applications in radiology. One such application is automation of radiology protocolling, which involves interpreting a clinical radiology referral and selecting the appropriate imaging technique. It is an essential task which ensures that the correct imaging is performed. However, the time that a radiologist must dedicate to protocolling could otherwise be spent reporting, communicating with referrers, or teaching. To date, there have been few publications in which ML models were developed that use clinical text to automate protocol selection. This article reviews the existing literature in this field. A systematic assessment of the published models is performed with reference to best practices suggested by machine learning convention. Progress towards implementing automated protocolling in a clinical setting is discussed.
• Abstract（参考訳）: 機械学習(ML)は人工知能(AI)のサブフィールドであり、放射線学におけるその応用は絶えず加速している。 最も研究されているMLアプリケーションは画像の自動解釈である。 しかし、自然言語処理(NLP)は、テキスト解釈タスクのMLと組み合わせることができるため、放射線学にも多くの応用がある。 そのような応用の1つは、臨床放射線学参照を解釈し、適切な撮像技術を選択することを含む放射線学プロトコルの自動化である。 撮影が正しいことを確実にするための重要な課題である。 しかしながら、放射線科医がプロトコル作成に専念しなければならない時間は、レファレンスやレファラーとのコミュニケーション、教育に費やすことができる。 現在、臨床テキストを用いてプロトコル選択を自動化するMLモデルが開発されている出版物は少ない。 本稿では,この分野の文献を概観する。 公開モデルの体系的な評価は、機械学習の慣例によって提案されたベストプラクティスを参照して行われる。 臨床現場における自動プロトコル導入の進展について述べる。

関連論文リスト

• A Comparative Study on Automatic Coding of Medical Letters with Explainability [7.834930446531957]
  本研究では,NLP(Natural Language Processing)と機械学習(ML)による医療用文字の自動符号化の実現について検討する。 利用可能なMIMIC-IIIデータベースとHAN/HLANネットワークモデルをICDコード予測のために使用した。 実験では、97.98%のコードに対して有用な情報を提供した。
  論文  参考訳（メタデータ） (2024-07-18T16:12:47Z)
• RaDialog: A Large Vision-Language Model for Radiology Report Generation and Conversational Assistance [53.20640629352422]
  会話型AIツールは、所定の医療画像に対して臨床的に正しい放射線学レポートを生成し、議論することができる。 RaDialogは、ラジオロジーレポート生成と対話ダイアログのための、初めて徹底的に評価され、公開された大きな視覚言語モデルである。 本手法は,報告生成における最先端の臨床的正確性を実現し,報告の修正や質問への回答などのインタラクティブなタスクにおいて,印象的な能力を示す。
  論文  参考訳（メタデータ） (2023-11-30T16:28:40Z)
• 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)
• Can Prompt Learning Benefit Radiology Report Generation? [24.03963806122309]
  本稿では,事前学習を利用した事前学習モデルと事前知識を取り入れたPromptRRGを提案する。 本研究は,放射線学レポート生成における即時学習の有効性を体系的に検証する最初の試みである。
  論文  参考訳（メタデータ） (2023-08-30T18:58:32Z)
• XrayGPT: Chest Radiographs Summarization using Medical Vision-Language Models [60.437091462613544]
  我々は,会話型医療ビジョン言語モデルであるXrayGPTを紹介する。 胸部X線写真に関するオープンエンドの質問を分析し、答えることができる。 自由テキストラジオグラフィーレポートから217kの対話的かつ高品質な要約を生成する。
  論文  参考訳（メタデータ） (2023-06-13T17:59:59Z)
• An Iterative Optimizing Framework for Radiology Report Summarization with ChatGPT [80.33783969507458]
  放射線医学報告の「印象」セクションは、放射線医と他の医師とのコミュニケーションにとって重要な基盤である。 近年の研究では、大規模医療用テキストデータを用いた印象自動生成の有望な成果が得られている。 これらのモデルは、しばしば大量の医療用テキストデータを必要とし、一般化性能が劣る。
  論文  参考訳（メタデータ） (2023-04-17T17:13:42Z)
• Robotic Navigation Autonomy for Subretinal Injection via Intelligent Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
  網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。 提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。 ブタ前眼の精度と再現性について実験を行った。
  論文  参考訳（メタデータ） (2023-01-17T21:41:21Z)
• Future Artificial Intelligence tools and perspectives in medicine [1.7532045941271799]
  現在、がんの限られた管理は人工知能の恩恵を受けており、主にコンピューター支援診断に関連しており、追加のリスクとコストを示す生検分析を避けている。 本稿では,臨床応用のためのAIベースの放射線治療ツールの進歩について概説する。
  論文  参考訳（メタデータ） (2022-06-04T11:27:43Z)
• Generating Radiology Reports via Memory-driven Transformer [38.30011851429407]
  本稿では,メモリ駆動型トランスフォーマを用いた放射線学レポートの作成を提案する。 IU X線とMIMIC-CXRの2つの代表的な放射線学報告データセットの実験結果
  論文  参考訳（メタデータ） (2020-10-30T04:08:03Z)
• A DICOM Framework for Machine Learning Pipelines against Real-Time Radiology Images [50.222197963803644]
  Nifflerは、研究クラスタでの機械学習パイプラインの実行を可能にする統合フレームワークである。 ニフラーはDigital Imaging and Communications in Medicine (DICOM)プロトコルを使用して画像データの取得と保存を行っている。 我々は,そのアーキテクチャと3つのユースケースを提示する: リアルタイムに画像から下大静脈フィルターを検出すること,スキャナ利用の同定,およびスキャナクロックの校正。
  論文  参考訳（メタデータ） (2020-04-16T21:06:49Z)

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。