論文の概要: Two-Pronged Human Evaluation of ChatGPT Self-Correction in Radiology Report Simplification
- arxiv url: http://arxiv.org/abs/2406.18859v1
- Date: Thu, 27 Jun 2024 03:05:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-28 15:27:31.044087
- Title: Two-Pronged Human Evaluation of ChatGPT Self-Correction in Radiology Report Simplification
- Title（参考訳）: 放射線診断の簡易化におけるChatGPT自己補正の2段階的評価
- Authors: Ziyu Yang, Santhosh Cherian, Slobodan Vucetic,
- Abstract要約: 本研究では,これらの単純化を自動生成する大規模言語モデルの適合性について検討する。
筆者らは, 簡易化の事実的正当性を検証するため, 放射線科医とレイパーを用いた新しい評価手法を提案する。
実験により, 高品質な簡易化を実現するための自己補正の有効性が示された。
- 参考スコア（独自算出の注目度）: 5.059120569845976
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Radiology reports are highly technical documents aimed primarily at doctor-doctor communication. There has been an increasing interest in sharing those reports with patients, necessitating providing them patient-friendly simplifications of the original reports. This study explores the suitability of large language models in automatically generating those simplifications. We examine the usefulness of chain-of-thought and self-correction prompting mechanisms in this domain. We also propose a new evaluation protocol that employs radiologists and laypeople, where radiologists verify the factual correctness of simplifications, and laypeople assess simplicity and comprehension. Our experimental results demonstrate the effectiveness of self-correction prompting in producing high-quality simplifications. Our findings illuminate the preferences of radiologists and laypeople regarding text simplification, informing future research on this topic.
- Abstract（参考訳）: 放射線医学報告は、主に医師と医師のコミュニケーションを目的とした非常に技術的な文書である。
これらの報告を患者と共有することへの関心が高まっており、元の報告を患者フレンドリに単純化する必要がある。
本研究では,これらの単純化を自動生成する大規模言語モデルの適合性について検討する。
本稿では,この領域におけるチェーン・オブ・シンドロームと自己補正促進機構の有用性について検討する。
また, 簡易化の事実的正当性を検証するとともに, 単純さと理解度を評価できる新しい評価プロトコルを提案する。
実験により, 高品質な簡易化を実現するための自己補正の有効性が示された。
本研究は, テキストの簡易化に関して, 放射線科医や一般住民の嗜好を照らし, 今後の研究成果を報告するものである。
関連論文リスト
- Resource-Efficient Medical Report Generation using Large Language Models [3.2627279988912194]
医療報告生成は胸部X線画像の放射線診断レポートを自動作成する作業である。
本稿では,医療報告生成のタスクに視覚対応大規模言語モデル(LLM)を活用する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-21T05:08:18Z) - 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) - RaTEScore: A Metric for Radiology Report Generation [59.37561810438641]
本稿では,Radiological Report (Text) Evaluation (RaTEScore) として,新しい実体認識尺度を提案する。
RaTEScoreは、診断結果や解剖学的詳細などの重要な医療機関を強調し、複雑な医学的同義語に対して堅牢であり、否定表現に敏感である。
我々の評価は、RaTEScoreが既存の指標よりも人間の嗜好とより密接に一致していることを示し、確立された公開ベンチマークと、新たに提案したRaTE-Evalベンチマークの両方で検証した。
論文 参考訳（メタデータ） (2024-06-24T17:49:28Z) - Consensus, dissensus and synergy between clinicians and specialist
foundation models in radiology report generation [32.26270073540666]
世界中の放射線技師の不足は専門家のケアへのアクセスを制限し、重労働を課している。
視覚言語モデルを用いた自動レポート生成の最近の進歩は、状況を改善するための明確な可能性を示唆している。
我々は、胸部X線写真のための最新のレポート生成システム、textitFlamingo-CXRを構築し、放射線学データに基づくよく知られた視覚言語基盤モデルを微調整する。
論文 参考訳（メタデータ） (2023-11-30T05:38:34Z) - 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) - 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) - ChatGPT Makes Medicine Easy to Swallow: An Exploratory Case Study on
Simplified Radiology Reports [0.4194454151396506]
ChatGPTは、人間らしく本物に見えるテキストを生成することができる言語モデルである。
われわれは,ChatGPTにより簡易化された放射線学報告の質を評価するために,15名の放射線科医に依頼した。
ほとんどの放射線学者は、単純化された報告は実際正しいものであり、完全なものであり、患者にとって有害ではないことに同意した。
論文 参考訳（メタデータ） (2022-12-30T18:55:16Z) - Improving Radiology Summarization with Radiograph and Anatomy Prompts [60.30659124918211]
本稿では,印象生成を促進するために,新しい解剖学的拡張型マルチモーダルモデルを提案する。
より詳しくは、まず、解剖学を抽出する一連のルールを構築し、各文にこれらのプロンプトを配置し、解剖学的特徴を強調する。
コントラスト学習モジュールを用いて、これらの2つの表現を全体レベルで整列させ、コアテンションを用いて文レベルで融合させる。
論文 参考訳（メタデータ） (2022-10-15T14:05:03Z) - 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) - Towards more patient friendly clinical notes through language models and
ontologies [57.51898902864543]
本稿では,単語の単純化と言語モデリングに基づく医療用テキストの自動作成手法を提案する。
我々は,公開医療文のデータセットペアと,臨床医による簡易化版を用いている。
本手法は,医学フォーラムデータに基づく言語モデルを用いて,文法と本来の意味の両方を保存しながら,より単純な文を生成する。
論文 参考訳（メタデータ） (2021-12-23T16:11:19Z) - Weakly Supervised Contrastive Learning for Chest X-Ray Report Generation [3.3978173451092437]
放射線画像から記述テキストを自動的に生成することを目的とした放射線学レポート生成。
典型的な設定は、エンコーダとデコーダのモデルを、クロスエントロピー損失のあるイメージレポートペアでトレーニングする。
本稿では,医療報告生成におけるコントラスト損失の弱化について提案する。
論文 参考訳（メタデータ） (2021-09-25T00:06:23Z)
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。