論文の概要: Improving the Factual Correctness of Radiology Report Generation with Semantic Rewards

• arxiv url: http://arxiv.org/abs/2210.12186v1
• Date: Fri, 21 Oct 2022 18:27:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 13:29:47.371360
• Title: Improving the Factual Correctness of Radiology Report Generation with Semantic Rewards
• Title（参考訳）: セマンティック・リワードを用いた放射線診断レポートの精度向上
• Authors: Jean-Benoit Delbrouck, Pierre Chambon, Christian Bluethgen, Emily Tsai, Omar Almusa, Curtis P. Langlotz
• Abstract要約: 本稿では,RadGraph 報奨という新たな手法を提案する。 本システムは,報告の事実的正しさと完全性を評価する指標において,14.2%と25.3%のスコアを著しく改善する。
• 参考スコア（独自算出の注目度）: 9.175022232984709
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural image-to-text radiology report generation systems offer the potential to improve radiology reporting by reducing the repetitive process of report drafting and identifying possible medical errors. These systems have achieved promising performance as measured by widely used NLG metrics such as BLEU and CIDEr. However, the current systems face important limitations. First, they present an increased complexity in architecture that offers only marginal improvements on NLG metrics. Secondly, these systems that achieve high performance on these metrics are not always factually complete or consistent due to both inadequate training and evaluation. Recent studies have shown the systems can be substantially improved by using new methods encouraging 1) the generation of domain entities consistent with the reference and 2) describing these entities in inferentially consistent ways. So far, these methods rely on weakly-supervised approaches (rule-based) and named entity recognition systems that are not specific to the chest X-ray domain. To overcome this limitation, we propose a new method, the RadGraph reward, to further improve the factual completeness and correctness of generated radiology reports. More precisely, we leverage the RadGraph dataset containing annotated chest X-ray reports with entities and relations between entities. On two open radiology report datasets, our system substantially improves the scores up to 14.2% and 25.3% on metrics evaluating the factual correctness and completeness of reports.
• Abstract（参考訳）: 神経画像からテキストへの放射線レポート生成システムは、報告書作成の反復過程を削減し、潜在的な医療エラーを識別することにより、放射線レポートを改善する可能性を秘めている。 これらのシステムはBLEUやCIDErといった広く使われているNLGメトリクスによって測定され、有望な性能を達成した。 しかし、現在のシステムには重大な制限がある。 まず、nlgメトリクスの限界的な改善のみを提供するアーキテクチャの複雑さの増加を示す。 第二に、これらのメトリクスで高いパフォーマンスを達成するこれらのシステムは、トレーニングと評価が不十分なため、必ずしも現実的に完全あるいは一貫性があるとは限らない。 最近の研究では、新しい手法でシステムを大幅に改善できることが示されている。 1) 参照と一致したドメインエンティティの生成と、 2)これらの実体を推論的に一貫した方法で記述する。 これまでのところ、これらの手法は、胸部X線領域に特有でない弱い教師付きアプローチ(ルールベース)と名前付きエンティティ認識システムに依存している。 この制限を克服するため,生成した放射線学報告の事実的完全性と正確性をさらに向上する新しい手法であるRadGraph rewardを提案する。 より正確には、アノテートされた胸部x線レポートとエンティティ間の関係を含むradgraphデータセットを活用する。 2つのオープンラジオロジーレポートデータセットでは、レポートの事実の正しさと完全性を評価する指標の14.2%と25.3%のスコアが大幅に改善されている。

関連論文リスト

• Medical Report Generation Is A Multi-label Classification Problem [38.64929236412092]
  本稿では,医療報告生成を多ラベル分類問題として再考する。 機密鍵ノードと統合されたBLIPに基づく新たなレポート生成フレームワークを提案する。 我々の実験は、キーノードの活用が2つのベンチマークデータセットにまたがる既存のアプローチを越え、最先端(SOTA)のパフォーマンスを実現することを実証している。
  論文  参考訳（メタデータ） (2024-08-30T20:43:35Z)
• AutoRG-Brain: Grounded Report Generation for Brain MRI [57.22149878985624]
  放射線学者は、大量の画像を日々のベースで解釈し、対応するレポートを生成する責任を負う。 この要求される作業負荷は、人間のエラーのリスクを高め、治療の遅れ、医療費の増加、収益損失、運用上の不効率につながる可能性がある。 地盤自動報告生成(AutoRG)に関する一連の研究を開始した。 このシステムは、脳の構造の明細化、異常の局所化、そしてよく組織化された発見の生成をサポートする。
  論文  参考訳（メタデータ） (2024-07-23T17:50:00Z)
• ICON: Improving Inter-Report Consistency in Radiology Report Generation via Lesion-aware Mixup Augmentation [14.479606737135045]
  我々は,放射線学レポート生成のレポート間一貫性を改善するICONを提案する。 まず,入力画像から病変を抽出し,その特徴について検討する。 次に, 意味論的に等価な病変の表現が同一の属性と一致することを確実にするために, 病変認識ミックスアップ手法を導入する。
  論文  参考訳（メタデータ） (2024-02-20T09:13:15Z)
• 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)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)
• Improving Radiology Report Generation Systems by Removing Hallucinated References to Non-existent Priors [1.1110995501996481]
  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。
  論文  参考訳（メタデータ） (2022-09-27T00:44:41Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• 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)
• Chest X-ray Report Generation through Fine-Grained Label Learning [46.352966049776875]
  画像から詳細な所見を学習する領域認識自動胸部X線診断レポート生成アルゴリズムを提案する。 また、画像にそのような記述子を割り当てる自動ラベリングアルゴリズムを開発し、発見の粗い記述ときめ細かい記述の両方を認識する新しいディープラーニングネットワークを構築した。
  論文  参考訳（メタデータ） (2020-07-27T19:50:56Z)

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。