論文の概要: Longitudinal Data and a Semantic Similarity Reward for Chest X-Ray
Report Generation
- arxiv url: http://arxiv.org/abs/2307.09758v2
- Date: Wed, 16 Aug 2023 23:54:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-21 22:42:49.779319
- Title: Longitudinal Data and a Semantic Similarity Reward for Chest X-Ray
Report Generation
- Title(参考訳): 胸部x線レポート生成における縦断データと意味的類似性
- Authors: Aaron Nicolson, Jason Dowling, and Bevan Koopman
- Abstract要約: 放射線学者の現在の燃え尽き速度は、解釈と報告を必要とする胸部X線(CXR)が増加し、増大しているためである。
本報告では, 患者のCXR研究から得られた経年的経過をレポート作成時に活用する新しい手法を提案する。
また,CXR-BERTに基づく強化学習のための新たな報奨を提案する。
- 参考スコア(独自算出の注目度): 7.586632627817609
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The current burnout rate of radiologists is high due to the large and ever
growing number of Chest X-Rays (CXRs) needing interpretation and reporting.
Promisingly, automatic CXR report generation has the potential to aid
radiologists with this laborious task and improve patient care. Previous CXR
report generation methods are limited by their diagnostic inaccuracy and their
lack of alignment with the workflow of radiologists. To address these issues,
we present a new method that utilises the longitudinal history available from a
patient's previous CXR study when generating a report, which imitates a
radiologist's workflow. We also propose a new reward for reinforcement learning
based on CXR-BERT -- which captures the clinical semantic similarity between
reports -- to further improve CXR report generation. We conduct experiments on
the publicly available MIMIC-CXR dataset with metrics more closely correlated
with radiologists' assessment of reporting. The results indicate capturing a
patient's longitudinal history improves CXR report generation and that CXR-BERT
is a promising alternative to the current state-of-the-art reward. Our approach
generates radiology reports that are quantitatively more aligned with those of
radiologists than previous methods while simultaneously offering a better
pathway to clinical translation. Our Hugging Face checkpoint
(https://huggingface.co/aehrc/cxrmate) and code
(https://github.com/aehrc/cxrmate) are publicly available.
- Abstract(参考訳): 現在の放射線科医のバーンアウト率は、解釈と報告を必要とする胸部x線(cxr)の数が増え続けているため高い。
CXRの自動レポート生成は、この手間な作業で放射線科医を助け、患者のケアを改善する可能性がある。
従来のcxrレポート生成手法は、診断の不正確さと放射線科医のワークフローとの整合の欠如によって制限されている。
これらの問題に対処するために,放射線科医のワークフローを模倣したレポートを作成する際に,患者の過去のcxr研究から得られる縦断履歴を利用する新しい手法を提案する。
また、CXRレポート生成を改善するために、CXR-BERT(レポート間の臨床的意味的類似性を捉える)に基づく強化学習のための新たな報酬を提案する。
我々は,MIMIC-CXRデータセットについて,放射線学者の報告評価とより密接な相関関係を持つ実験を行った。
以上の結果から,患者の縦断的経過を捉えたCXRレポート生成が改善し,CXR-BERTが現在の技術報酬の代替となる可能性が示唆された。
本手法は,従来の方法よりも放射線科医と定量的に一致し,同時に臨床翻訳へのより良い経路を提供する放射線科レポートを生成する。
私たちのHugging Faceチェックポイント(https://huggingface.co/aehrc/cxrmate)とコード(https://github.com/aehrc/cxrmate)が公開されている。
関連論文リスト
- WoLF: Wide-scope Large Language Model Framework for CXR Understanding [8.265578494822087]
胸部X線理解のための広スコープ大言語モデルフレームワークを提案する。
実際の臨床シナリオにおける正確な診断に利用される多面的患者の記録を収集する。
論文 参考訳(メタデータ) (2024-03-19T06:39:23Z) - 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) - 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) - 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) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳(メタデータ) (2021-03-19T14:13:56Z) - Automated Radiological Report Generation For Chest X-Rays With
Weakly-Supervised End-to-End Deep Learning [17.315387269810426]
我々は12,000以上のCXRスキャンと放射線学的レポートを含むデータベースを構築した。
我々は,深層畳み込みニューラルネットワークとアテンション機構を持つリカレントネットワークに基づくモデルを開発した。
このモデルは、与えられたスキャンを自動的に認識し、レポートを生成する。
論文 参考訳(メタデータ) (2020-06-18T08:12:54Z)
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。