論文の概要: Are Generative AI systems Capable of Supporting Information Needs of Patients?

• arxiv url: http://arxiv.org/abs/2402.00234v1
• Date: Wed, 31 Jan 2024 23:24:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-02 17:15:31.829190
• Title: Are Generative AI systems Capable of Supporting Information Needs of Patients?
• Title（参考訳）: 生成型AIシステムは患者の情報ニーズを支援することができるか?
• Authors: Shreya Rajagopal, Subhashis Hazarika, Sookyung Kim, Yan-ming Chiou, Jae Ho Sohn, Hari Subramonyam, Shiwali Mohan
• Abstract要約: 本研究は, 画像診断における患者情報への責任を負うことなく, 生成的視覚質問応答システムの有効性について検討する。 胸部CT検査を施行し, 胸部CT検査を施行し, 胸部CT検査を施行し, 胸部CT検査を施行した。 参加者と医療専門家の会話のテーマ分析を用いて,対話を通して一般的に発生するテーマを特定した。 我々は,放射線技師の反応に対して,最先端の2つの生成的視覚言語モデルを評価する。
• 参考スコア（独自算出の注目度）: 4.485098382568721
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Patients managing a complex illness such as cancer face a complex information challenge where they not only must learn about their illness but also how to manage it. Close interaction with healthcare experts (radiologists, oncologists) can improve patient learning and thereby, their disease outcome. However, this approach is resource intensive and takes expert time away from other critical tasks. Given the recent advancements in Generative AI models aimed at improving the healthcare system, our work investigates whether and how generative visual question answering systems can responsibly support patient information needs in the context of radiology imaging data. We conducted a formative need-finding study in which participants discussed chest computed tomography (CT) scans and associated radiology reports of a fictitious close relative with a cardiothoracic radiologist. Using thematic analysis of the conversation between participants and medical experts, we identified commonly occurring themes across interactions, including clarifying medical terminology, locating the problems mentioned in the report in the scanned image, understanding disease prognosis, discussing the next diagnostic steps, and comparing treatment options. Based on these themes, we evaluated two state-of-the-art generative visual language models against the radiologist's responses. Our results reveal variability in the quality of responses generated by the models across various themes. We highlight the importance of patient-facing generative AI systems to accommodate a diverse range of conversational themes, catering to the real-world informational needs of patients.
• Abstract（参考訳）: がんなどの複雑な疾患を管理する患者は、病気について学ぶだけでなく、その管理方法も学ばなければならない複雑な情報課題に直面している。 医療専門家(放射線学者、腫瘍学者)との密接な相互作用は、患者の学習を改善し、その結果、病気の結果をもたらす。 しかし、このアプローチはリソース集約的で、他の重要なタスクから専門家の時間を離します。 近年,医療システムの改善を目的とした生成型aiモデルが進歩していることを踏まえ,放射線画像データの観点から,生成型ビジュアル質問応答システムが患者情報のニーズを適切に支援できるかどうかについて検討した。 胸部ct(ctct)スキャンと,心臓胸部x線医との架空の近親者のx線学的所見について検討した。 被験者と医療専門家の会話のテーマ分析を用いて,医療用語の明確化,スキャン画像に記載された問題点の特定,疾患予後の理解,次の診断手順の議論,治療オプションの比較など,相互作用に共通するテーマを特定した。 これらのテーマに基づき、放射線科医の反応に対して2つの最先端の視覚言語モデルを評価した。 その結果,様々なテーマでモデルが生成する応答の質の変動が明らかになった。 我々は,患者の現実的な情報ニーズに合わせて,多様な会話テーマに対応するために,患者が直面する生成AIシステムの重要性を強調した。

関連論文リスト

• Designing a Robust Radiology Report Generation System [1.0878040851637998]
  本稿では,異なるモジュールを統合し,ベストプラクティスを強調することで,ロバストな放射線学レポート生成システムの設計について概説する。 これらのベストプラクティスは、自動放射線学レポート生成の改善、意思決定における放射線科医の増員、診断ワークフローの迅速化につながると信じている。
  論文  参考訳（メタデータ） (2024-11-02T06:38:04Z)
• A Two-Stage Proactive Dialogue Generator for Efficient Clinical Information Collection Using Large Language Model [0.6926413609535759]
  患者情報収集作業を自動化する診断対話システムを提案する。 医療史と会話のロジックを活用することで、会話エージェントは複数回にわたる臨床クエリを作成できる。 実世界の医療会話データセットを用いた実験結果から,本モデルが実際の医師の会話スタイルを模倣した臨床クエリを生成できることが示唆された。
  論文  参考訳（メタデータ） (2024-10-02T19:32:11Z)
• ReXplain: Translating Radiology into Patient-Friendly Video Reports [5.787653511498558]
  ReXplainは、患者フレンドリーな画像レポートを生成するAI駆動のシステムである。 5人の放射線学者による概念実証研究は、ReXplainが正確な放射線情報を提供できることを示唆している。
  論文  参考訳（メタデータ） (2024-10-01T06:41:18Z)
• Dr-LLaVA: Visual Instruction Tuning with Symbolic Clinical Grounding [53.629132242389716]
  VLM(Vision-Language Models)は、医用画像を分析し、自然言語の相互作用に関与することによって、臨床医を支援する。 VLMはしばしば「幻覚的」な振る舞いを示し、文脈的マルチモーダル情報に基づかないテキスト出力を生成する。 本稿では,臨床推論の象徴的表現を用いて医療知識にVLMを基盤とする新たなアライメントアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-29T23:19:28Z)
• Towards Knowledge-Infused Automated Disease Diagnosis Assistant [14.150224660741939]
  患者と医師の相互作用に基づく疾患を識別する診断アシスタントを構築した。 本稿では,患者と医師のコミュニケーションを符号化した2チャンネル型談話認識疾患診断モデル(KI-DDI)を提案する。 次の段階では、会話と知識グラフの埋め込みが統合され、病気の識別のためにディープニューラルネットワークに供給される。
  論文  参考訳（メタデータ） (2024-05-18T05:18:50Z)
• Knowledge-Informed Machine Learning for Cancer Diagnosis and Prognosis: A review [2.2268038840298714]
  バイオメディカルな知識とデータの融合を取り入れた最先端の機械学習研究について概説する。 機械学習パイプラインにおける知識表現の多様な形態と知識統合の現在の戦略について概説する。
  論文  参考訳（メタデータ） (2024-01-12T07:01:36Z)
• 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)
• XrayGPT: Chest Radiographs Summarization using Medical Vision-Language Models [60.437091462613544]
  我々は,会話型医療ビジョン言語モデルであるXrayGPTを紹介する。 胸部X線写真に関するオープンエンドの質問を分析し、答えることができる。 自由テキストラジオグラフィーレポートから217kの対話的かつ高品質な要約を生成する。
  論文  参考訳（メタデータ） (2023-06-13T17:59:59Z)
• 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)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)
• MedDG: An Entity-Centric Medical Consultation Dataset for Entity-Aware Medical Dialogue Generation [86.38736781043109]
  MedDGという12種類の消化器疾患に関連する大規模医用対話データセットを構築し,公開する。 MedDGデータセットに基づく2種類の医療対話タスクを提案する。1つは次のエンティティ予測であり、もう1つは医師の反応生成である。 実験結果から,プレトレイン言語モデルと他のベースラインは,両方のタスクに苦戦し,データセットの性能が劣ることがわかった。
  論文  参考訳（メタデータ） (2020-10-15T03:34:33Z)

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。