論文の概要: Quality Control for Radiology Report Generation Models via Auxiliary Auditing Components

• arxiv url: http://arxiv.org/abs/2407.21638v1
• Date: Wed, 31 Jul 2024 14:37:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-01 17:52:02.738625
• Title: Quality Control for Radiology Report Generation Models via Auxiliary Auditing Components
• Title（参考訳）: 補助監査コンポーネントを用いた放射線学レポート生成モデルの品質管理
• Authors: Hermione Warr, Yasin Ibrahim, Daniel R. McGowan, Konstantinos Kamnitsas,
• Abstract要約: 本稿では,AI生成放射線学レポートの信頼性を評価するための品質管理フレームワークを提案する。 以上の結果から,ACを病型分類器の形で組み込むことで,より信頼性の高い報告を識別できる可能性が示唆された。
• 参考スコア（独自算出の注目度）: 2.366030916997613
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automation of medical image interpretation could alleviate bottlenecks in diagnostic workflows, and has become of particular interest in recent years due to advancements in natural language processing. Great strides have been made towards automated radiology report generation via AI, yet ensuring clinical accuracy in generated reports is a significant challenge, hindering deployment of such methods in clinical practice. In this work we propose a quality control framework for assessing the reliability of AI-generated radiology reports with respect to semantics of diagnostic importance using modular auxiliary auditing components (AC). Evaluating our pipeline on the MIMIC-CXR dataset, our findings show that incorporating ACs in the form of disease-classifiers can enable auditing that identifies more reliable reports, resulting in higher F1 scores compared to unfiltered generated reports. Additionally, leveraging the confidence of the AC labels further improves the audit's effectiveness.
• Abstract（参考訳）: 医用画像解釈の自動化は、診断ワークフローのボトルネックを軽減する可能性があり、近年は自然言語処理の進歩により特に注目されている。 AIによる自動放射線学レポート生成に向けて大きな進歩を遂げてきたが、生成されたレポートの臨床的正確性を保証することは重要な課題であり、臨床実践におけるそのような手法の展開を妨げている。 本研究では,モジュール型補助監査コンポーネント (AC) を用いた診断の重要性のセマンティクスに関して,AI生成放射線学レポートの信頼性を評価するための品質管理フレームワークを提案する。 MIMIC-CXRデータセット上でのパイプライン評価により,ACを病型分類器に組み込むことで,信頼性の高い報告を識別する監査が可能であり,未フィルタリングレポートと比較してF1スコアが高いことがわかった。 さらに、ACラベルの信頼性を活用することにより、監査の有効性がさらに向上する。

関連論文リスト

• Informed Deep Abstaining Classifier: Investigating noise-robust training for diagnostic decision support systems [0.7497462432118391]
  ディープラーニングは、画像に基づく診断決定支援システムの最適化に使用することができる。 Informed Deep Abstaining (IDAC) システムは、トレーニング中にノイズレベルの推定を組み込むことで、ノイズロスのDeep Abstaining (DAC) 損失を増大させる。 これらの知見は、テキストベースのトランスフォーマーを用いて、大学病院ボンの臨床システムからラベルを抽出した、社内ノイズデータセットで再現される。
  論文  参考訳（メタデータ） (2024-10-28T13:36:57Z)
• HERGen: Elevating Radiology Report Generation with Longitudinal Data [18.370515015160912]
  本研究では,患者訪問における経時的データを効率的に統合するHERGen(History Enhanced Radiology Report Generation)フレームワークを提案する。 本手法は, 各種歴史データの包括的解析を可能にするだけでなく, 補助的コントラスト的目的により, 生成した報告の質を向上させる。 3つのデータセットにまたがる広範囲な評価結果から,我々のフレームワークは,正確な放射線診断レポートを作成し,医用画像から疾患の進行を効果的に予測する上で,既存の手法を超越していることが明らかとなった。
  論文  参考訳（メタデータ） (2024-07-21T13:29:16Z)
• 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)
• Integrating Knowledge Retrieval and Large Language Models for Clinical Report Correction [7.144169681445819]
  本研究では,大規模言語モデル (LLM) と検索拡張生成技術 (RAG) を利用した放射線学報告における誤り訂正手法を提案する。 提案フレームワークは,新たな内外的検索機構を用いて,関心事報告と外部知識ソースから関連する医療機関と関係を抽出する。 アプローチの有効性は、ドメインの専門家がガイドした現実的なエラーで実世界の放射線学レポートを破損させたベンチマークデータセットを用いて評価される。
  論文  参考訳（メタデータ） (2024-06-21T10:48:21Z)
• The Impact of Auxiliary Patient Data on Automated Chest X-Ray Report Generation and How to Incorporate It [12.61239008314719]
  本研究は,胸部X線自動レポート生成のための多モーダル言語モデルへの多様な患者データソースの統合について検討する。 MIMIC-CXRおよびMIMIC-IV-EDデータセットを用いて, 診断精度を高めるために, バイタルサイン周期, 医薬, 臨床歴などの詳細な患者情報を組み込んだ。
  論文  参考訳（メタデータ） (2024-06-19T03:25:31Z)
• ICON: Improving Inter-Report Consistency in Radiology Report Generation via Lesion-aware Mixup Augmentation [14.479606737135045]
  我々は,放射線学レポート生成のレポート間一貫性を改善するICONを提案する。 まず,入力画像から病変を抽出し,その特徴について検討する。 次に, 意味論的に等価な病変の表現が同一の属性と一致することを確実にするために, 病変認識ミックスアップ手法を導入する。
  論文  参考訳（メタデータ） (2024-02-20T09:13:15Z)
• 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)
• Instrumental Variable Learning for Chest X-ray Classification [52.68170685918908]
  本稿では,素因果関係を排除し,正確な因果表現を得るための解釈可能な機器変数(IV)学習フレームワークを提案する。 提案手法の性能はMIMIC-CXR,NIH ChestX-ray 14,CheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-05-20T03:12:23Z)
• Exploring linguistic feature and model combination for speech recognition based automatic AD detection [61.91708957996086]
  音声ベースの自動ADスクリーニングシステムは、他の臨床スクリーニング技術に代わる非侵襲的でスケーラブルな代替手段を提供する。 専門的なデータの収集は、そのようなシステムを開発する際に、モデル選択と特徴学習の両方に不確実性をもたらす。 本稿では,BERT と Roberta の事前学習したテキストエンコーダのドメイン微調整の堅牢性向上のための特徴とモデルの組み合わせ手法について検討する。
  論文  参考訳（メタデータ） (2022-06-28T05:09:01Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。