論文の概要: Improving Radiology Report Generation Systems by Removing Hallucinated
References to Non-existent Priors
- arxiv url: http://arxiv.org/abs/2210.06340v2
- Date: Thu, 13 Oct 2022 14:33:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-16 16:19:56.905627
- Title: Improving Radiology Report Generation Systems by Removing Hallucinated
References to Non-existent Priors
- Title（参考訳）: 被写体へのハロシンドレファレンス除去による放射線学レポート生成システムの改善
- Authors: Vignav Ramesh, Nathan Andrew Chi, Pranav Rajpurkar
- Abstract要約: 本稿では,放射線学報告における過去の文献参照を除去する2つの方法を提案する。
GPT-3をベースとした少数ショットによる医療報告の書き直し手法と,BioBERTをベースとしたトークン分類手法により,先行参照語を直接削除する手法である。
CXR-ReDonEと呼ばれる再学習モデルでは,臨床測定値に対する従来のレポート生成手法を上回り,平均BERTSスコア0.2351(絶対改善率2.57%)を達成した。
- 参考スコア（独自算出の注目度）: 1.1110995501996481
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current deep learning models trained to generate radiology reports from chest
radiographs are capable of producing clinically accurate, clear, and actionable
text that can advance patient care. However, such systems all succumb to the
same problem: making hallucinated references to non-existent prior reports.
Such hallucinations occur because these models are trained on datasets of
real-world patient reports that inherently refer to priors. To this end, we
propose two methods to remove references to priors in radiology reports: (1) a
GPT-3-based few-shot approach to rewrite medical reports without references to
priors; and (2) a BioBERT-based token classification approach to directly
remove words referring to priors. We use the aforementioned approaches to
modify MIMIC-CXR, a publicly available dataset of chest X-rays and their
associated free-text radiology reports; we then retrain CXR-RePaiR, a radiology
report generation system, on the adapted MIMIC-CXR dataset. We find that our
re-trained model--which we call CXR-ReDonE--outperforms previous report
generation methods on clinical metrics, achieving an average BERTScore of
0.2351 (2.57% absolute improvement). We expect our approach to be broadly
valuable in enabling current radiology report generation systems to be more
directly integrated into clinical pipelines.
- Abstract（参考訳）: 胸部x線写真から放射線レポートを生成するように訓練された現在のディープラーニングモデルは、患者のケアを前進させる臨床的に正確で明確で実行可能なテキストを生成することができる。
しかし、これらのシステムはすべて同じ問題に陥り、既存の先行報告を幻覚的に参照する。
このような幻覚は、これらのモデルが、本来は過去のものを指す実世界の患者レポートのデータセットに基づいて訓練されているため起こる。
そこで本研究では,(1)GPT-3をベースとした医療報告の書き直しアプローチ,(2)BioBERTをベースとしたトークン分類手法により,先行する単語を直接削除する手法を提案する。
以上のアプローチを用いて、胸部X線およびそれに関連する自由テキスト放射線学レポートの公開データセットであるMIMIC-CXRを修正し、適応されたMIMIC-CXRデータセット上で、放射線学レポート生成システムであるCXR-RePaiRを再訓練する。
CXR-ReDonEと呼ばれる再学習モデルでは,臨床測定値に対する従来のレポート生成手法を上回り,平均BERTSスコア0.2351(絶対改善率2.57%)を達成した。
我々のアプローチは、現在の放射線診断レポート生成システムをより直接的に臨床パイプラインに統合する上で、幅広い価値を期待する。
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) - 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) - 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) - Replace and Report: NLP Assisted Radiology Report Generation [31.309987297324845]
無線画像から放射線学レポートを生成するためのテンプレートベースの手法を提案する。
胸部X線検査では, 異常所見の少ない文章を作成し, 正常な報告テンプレートに置き換えることにより, 胸部X線所見を初めて生成する試みである。
論文 参考訳（メタデータ） (2023-06-19T10:04:42Z) - Boosting Radiology Report Generation by Infusing Comparison Prior [7.054671146863795]
近年の変圧器を用いたモデルでは胸部X線画像から放射線学レポートを生成するために大きな進歩を遂げている。
これらのモデルは、しばしば事前の知識を欠いているため、誤って存在しない事前試験を参照する合成レポートが生成される。
本稿では,ルールに基づくラベル付け手法を用いて,放射線学報告から先行情報を抽出する手法を提案する。
論文 参考訳（メタデータ） (2023-05-08T09:12:44Z) - 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) - 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) - 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) - 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。