論文の概要: Longitudinal Data and a Semantic Similarity Reward for Chest X-Ray
Report Generation
- arxiv url: http://arxiv.org/abs/2307.09758v3
- Date: Wed, 14 Feb 2024 23:18:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-16 21:14:36.970317
- 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: 放射線学ワークフローの側面を統合したCXRレポートジェネレータを提案する。
これは、患者の以前のCXR研究から得られる縦断的履歴を条件付けることで、放射線科医のワークフローを模倣する。
提案した強化学習の報奨を生かした。
- 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 burnout rate of radiologists is high in part 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. The diagnostic
inaccuracy of current CXR report generators prevents their consideration for
clinical trials. To improve diagnostic accuracy, we propose a CXR report
generator that integrates aspects of the radiologist workflow and is trained
with our proposed reward for reinforcement learning. It imitates the
radiologist workflow by conditioning on the longitudinal history available from
a patient's previous CXR study, conditioning on multiple CXRs from a patient's
study, and differentiating between report sections with section embeddings and
separator tokens. Our reward for reinforcement learning leverages CXR-BERT --
which captures the clinical semantic similarity between reports. Training with
this reward forces our model to learn the clinical semantics of radiology
reporting. We also highlight issues with the evaluation of a large portion of
CXR report generation models in the literature introduced by excessive
formatting. We conduct experiments on the publicly available MIMIC-CXR and IU
X-ray datasets with metrics shown to be more closely correlated with
radiologists' assessment of reporting. The results demonstrate that our model
generates radiology reports that are quantitatively more aligned with those of
radiologists than state-of-the-art models, such as those utilising large
language models, reinforcement learning, and multi-task learning. Through this,
our model brings CXR report generation one step closer to clinical trial
consideration. Our Hugging Face checkpoint
(https://huggingface.co/aehrc/cxrmate) and code
(https://github.com/aehrc/cxrmate) are publicly available.
- Abstract(参考訳): 放射線学者の燃え尽き率は、部分的には解釈と報告を必要とする胸部X線(CXR)の多さから高い。
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。
現在のCXRレポートジェネレータの診断不正確さは、臨床試験に対する考慮を妨げている。
診断精度を向上させるために,放射線科医のワークフローの側面を統合したcxrレポート生成器を提案する。
これは、患者の以前のCXR研究から得られる縦断的履歴を条件付け、患者の研究から複数のCXRを条件付けし、セクション埋め込みとセパレータトークンでレポートセクションを区別することで、放射線学のワークフローを模倣する。
強化学習に対する報奨はCXR-BERT(CXR-BERT)を利用する。
この報酬によるトレーニングは、モデルに放射線学的報告の臨床的意味を学ばせます。
また、過剰なフォーマット化によって導入された文献におけるCXRレポート生成モデルの大部分の評価に関する問題点も強調する。
我々は,MIMIC-CXRおよびIU X線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を示す指標を用いて実験を行った。
その結果, 大規模言語モデル, 強化学習, マルチタスク学習などの最先端モデルよりも, 放射線科医と定量的に一致した放射線学レポートを生成できることがわかった。
本モデルにより,CXRレポート生成は臨床治験に一歩近づいた。
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
- 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) - Generation of Radiology Findings in Chest X-Ray by Leveraging
Collaborative Knowledge [6.792487817626456]
医学的イメージを解釈する認知的タスクは、放射線学のワークフローにおいて最も重要であり、しばしば時間を要するステップである。
この研究は、ほとんどの時間をFindingsの執筆またはナレーションに費やしている放射線学者の作業量を削減することに焦点を当てている。
単段階画像キャプションタスクとして放射線学レポートを生成する過去の研究とは異なり、CXR画像の解釈の複雑さを考慮に入れている。
論文 参考訳(メタデータ) (2023-06-18T00:51:28Z) - 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。