論文の概要: Toward expanding the scope of radiology report summarization to multiple anatomies and modalities

• arxiv url: http://arxiv.org/abs/2211.08584v3
• Date: Fri, 21 Jul 2023 22:08:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-26 00:31:01.847885
• Title: Toward expanding the scope of radiology report summarization to multiple anatomies and modalities
• Title（参考訳）: 放射線学レポートの要約範囲を複数の解剖学とモダリティに広げる
• Authors: Zhihong Chen, Maya Varma, Xiang Wan, Curtis Langlotz, Jean-Benoit Delbrouck
• Abstract要約: 3つの新しいモダリティと7つの新しい解剖を含むデータセット(MIMIC-RRS)を提案する。 次に、MIMIC-RRSにおけるモード-解剖的ペア内および横断的なモデルの性能を評価するための広範囲な実験を行った。
• 参考スコア（独自算出の注目度）: 19.993305066149308
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radiology report summarization (RRS) is a growing area of research. Given the Findings section of a radiology report, the goal is to generate a summary (called an Impression section) that highlights the key observations and conclusions of the radiology study. However, RRS currently faces essential limitations.First, many prior studies conduct experiments on private datasets, preventing reproduction of results and fair comparisons across different systems and solutions. Second, most prior approaches are evaluated solely on chest X-rays. To address these limitations, we propose a dataset (MIMIC-RRS) involving three new modalities and seven new anatomies based on the MIMIC-III and MIMIC-CXR datasets. We then conduct extensive experiments to evaluate the performance of models both within and across modality-anatomy pairs in MIMIC-RRS. In addition, we evaluate their clinical efficacy via RadGraph, a factual correctness metric.
• Abstract（参考訳）: radiology report summarization (rrs) は研究の分野である。 放射線学レポートの発見セクションを考えると、その目的は、放射線学研究の重要な観察と結論を強調する要約(印象セクションと呼ばれる)を作成することである。 しかし、RSは現在必須の制約に直面しており、まず、多くの先行研究がプライベートデータセットの実験を行い、結果の再現や異なるシステムやソリューション間の公正な比較を防止している。 第2に、最も初期のアプローチは胸部x線のみで評価される。 これらの制約に対処するため,MIMIC-IIIおよびMIMIC-CXRデータセットに基づく3つの新しいモダリティと7つの新しい解剖を含むデータセット(MIMIC-RRS)を提案する。 次に、MIMIC-RRSにおけるモード-解剖的ペア内および横断的なモデルの性能を評価するための広範囲な実験を行った。 また, 実効性評価指標であるRadGraphを用いて臨床効果を評価する。

関連論文リスト

• LLM-RadJudge: Achieving Radiologist-Level Evaluation for X-Ray Report Generation [37.20505633019773]
  生成された放射線学レポートを評価することは、放射線学AIの開発に不可欠である。 本研究では,大規模言語モデル (LLM) を用いた新しい評価手法を提案する。
  論文  参考訳（メタデータ） (2024-04-01T09:02:12Z)
• Large Model driven Radiology Report Generation with Clinical Quality Reinforcement Learning [16.849933628738277]
  放射線学報告生成 (RRG) は, 放射線技師の作業量削減の可能性から注目されている。 本稿では,新しいRRG法である textbfLM-RRG について紹介する。 MIMIC-CXRおよびIU-Xrayデータセットを用いた実験により,本手法が技術状況よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-11T13:47:11Z)
• 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)
• Beyond Images: An Integrative Multi-modal Approach to Chest X-Ray Report Generation [47.250147322130545]
  画像からテキストまでの放射線学レポート生成は,医療画像の発見を記述した放射線学レポートを自動生成することを目的としている。 既存の方法の多くは画像データのみに焦点をあてており、他の患者情報は放射線科医に公開されていない。 胸部X線レポートを生成するための多モードディープニューラルネットワークフレームワークを,非構造的臨床ノートとともにバイタルサインや症状などの構造化された患者データを統合することで提案する。
  論文  参考訳（メタデータ） (2023-11-18T14:37:53Z)
• 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)
• MDF-Net for abnormality detection by fusing X-rays with clinical data [14.347359031598813]
  本研究は,患者の臨床情報が深層学習(DL)分類器の性能に及ぼす影響について検討した。 患者の臨床データと胸部X線を同時に処理できる2つの融合法からなる新しいアーキテクチャを提案する。 その結果, 患者の臨床データをDLモデルに組み込むことで, 胸部X線像の病的局在を平均精度で12%改善できることがわかった。
  論文  参考訳（メタデータ） (2023-02-26T19:16:57Z)
• 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)
• Event-based clinical findings extraction from radiology reports with pre-trained language model [0.22940141855172028]
  今回,臨床所見を付加した新しい放射線診断報告のコーパスを報告する。 金の標準コーパスには合計500点の注記CTレポートが含まれていた。 BERTを含む2つの最先端ディープラーニングアーキテクチャを用いて、トリガと引数のエンティティを抽出した。
  論文  参考訳（メタデータ） (2021-12-27T05:03:10Z)
• 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)

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。