論文の概要: Overview of the First Shared Task on Clinical Text Generation: RRG24 and "Discharge Me!"

• arxiv url: http://arxiv.org/abs/2409.16603v1
• Date: Wed, 25 Sep 2024 04:02:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-27 05:45:19.455344
• Title: Overview of the First Shared Task on Clinical Text Generation: RRG24 and "Discharge Me!"
• Title（参考訳）: 臨床テキスト生成に関する第1回共有課題の概要:RRG24と「ディスチャージ・ミー!」
• Authors: Justin Xu, Zhihong Chen, Andrew Johnston, Louis Blankemeier, Maya Varma, Jason Hom, William J. Collins, Ankit Modi, Robert Lloyd, Benjamin Hopkins, Curtis Langlotz, Jean-Benoit Delbrouck,
• Abstract要約: 本稿では,Radiology Report Generation (RRG24) と Discharge Summary Generation (Discharge Me! RRG24は、胸部X線を照射した放射線学報告の「フィンディング」と「印象」のセクションを生成する。 退院!」は、救急科で入院した患者の退院要領の「Brief Hospital Course」と「Discharge Instructions」のセクションを作成。
• 参考スコア（独自算出の注目度）: 13.262830788792774
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent developments in natural language generation have tremendous implications for healthcare. For instance, state-of-the-art systems could automate the generation of sections in clinical reports to alleviate physician workload and streamline hospital documentation. To explore these applications, we present a shared task consisting of two subtasks: (1) Radiology Report Generation (RRG24) and (2) Discharge Summary Generation ("Discharge Me!"). RRG24 involves generating the 'Findings' and 'Impression' sections of radiology reports given chest X-rays. "Discharge Me!" involves generating the 'Brief Hospital Course' and 'Discharge Instructions' sections of discharge summaries for patients admitted through the emergency department. "Discharge Me!" submissions were subsequently reviewed by a team of clinicians. Both tasks emphasize the goal of reducing clinician burnout and repetitive workloads by generating documentation. We received 201 submissions from across 8 teams for RRG24, and 211 submissions from across 16 teams for "Discharge Me!".
• Abstract（参考訳）: 自然言語生成の最近の発展は、医療に大きな影響を及ぼす。 例えば、最先端のシステムは、臨床報告のセクションの自動生成を自動化し、医師の作業負荷を軽減し、病院のドキュメントを合理化することができる。 これらの応用を探るため,(1)放射線学報告生成(RRG24)と(2)放電概要生成("Discharge Me! RRG24は、胸部X線を照射した放射線学報告の「フィンディング」と「印象」のセクションを生成する。 「ディスチャージ・ミー!」は、救急科で入院した患者の退院要領の「ブリーフ病院コース」と「ディスチャージ・インストラクション」のセクションを作成。 「ディスチャージ・ミー!」はその後、臨床医のチームによって審査された。 どちらのタスクも、ドキュメントを生成することによってクリニックのバーンアウトと反復的なワークロードを減らすという目標を強調している。 RRG24では8チーム中201件、"Discharge Me!"では16チーム中211件を提出しました。

関連論文リスト

• e-Health CSIRO at RRG24: Entropy-Augmented Self-Critical Sequence Training for Radiology Report Generation [6.547747400704174]
  本稿では、RRG24で複数の1位を獲得したe-Health CSIROチームのアプローチを概説する。 このアプローチの中核となる新規性は、エントロピー正則化を自己臨界シーケンストレーニングに追加することにある。 これにより、一般的なフレーズへの過度な適合を防ぎ、訓練中に語彙を広く探究することができる。
  論文  参考訳（メタデータ） (2024-08-07T01:59:25Z)
• AutoRG-Brain: Grounded Report Generation for Brain MRI [57.22149878985624]
  放射線学者は、大量の画像を日々のベースで解釈し、対応するレポートを生成する責任を負う。 この要求される作業負荷は、人間のエラーのリスクを高め、治療の遅れ、医療費の増加、収益損失、運用上の不効率につながる可能性がある。 地盤自動報告生成(AutoRG)に関する一連の研究を開始した。 このシステムは、脳の構造の明細化、異常の局所化、そしてよく組織化された発見の生成をサポートする。
  論文  参考訳（メタデータ） (2024-07-23T17:50:00Z)
• UF-HOBI at "Discharge Me!": A Hybrid Solution for Discharge Summary Generation Through Prompt-based Tuning of GatorTronGPT Models [21.973232959322473]
  本稿では,BioNLP 2024 Shared Task における "Discharge Me!" Challenge への参加の一環として,放電サマリーセクションを生成するハイブリッドソリューションを提案する。
  論文  参考訳（メタデータ） (2024-07-22T04:02:45Z)
• Shimo Lab at "Discharge Me!": Discharge Summarization by Prompt-Driven Concatenation of Electronic Health Record Sections [2.8402080392117757]
  EHR から "Brief Hospital Course" と "Discharge Instructions" のセクションを生成するパイプラインを開発した。 次に、これらのセクションに説明プロンプトを追加し、別々のトークンでそれらを抽出して入力テキストを作成します。 提案手法はROUGE-1スコアが0.394$であり,上位のソリューションに匹敵するものである。
  論文  参考訳（メタデータ） (2024-06-26T06:10:20Z)
• Act Like a Radiologist: Radiology Report Generation across Anatomical Regions [50.13206214694885]
  X-RGenは6つの解剖学的領域にわたる放射線学者によるレポート生成フレームワークである。 X-RGenでは、ヒトの放射線学者の行動を模倣し、これらを4つの主要な段階に分解する。 画像エンコーダの認識能力は,各領域にまたがる画像やレポートを分析して向上する。
  論文  参考訳（メタデータ） (2023-05-26T07:12:35Z)
• Is In-hospital Meta-information Useful for Abstractive Discharge Summary Generation? [25.195233641408233]
  本稿では,要約作業における医療メタ情報の有効性について検討する。 EHRシステムから4種類のメタ情報を取得し,各メタ情報をシーケンス・ツー・シーケンス・モデルにエンコードする。 日本のEHRを用いて、メタ情報エンコードされたモデルはROUGE-1を4.45ポイント、BERTScoreを3.77ポイント増加させた。
  論文  参考訳（メタデータ） (2023-03-10T16:03:19Z)
• Medical-VLBERT: Medical Visual Language BERT for COVID-19 CT Report Generation With Alternate Learning [70.71564065885542]
  本稿では,医療用ビジュアル言語BERT(Medical-VLBERT)モデルを用いて,新型コロナウイルススキャンの異常を同定する。 このモデルは、知識事前学習と伝達の2つの手順で、代替的な学習戦略を採用する。 COVID-19患者に対する医療報告の自動作成のために,中国語で368例,胸部CTで1104例の検診を行った。
  論文  参考訳（メタデータ） (2021-08-11T07:12:57Z)
• What's in a Summary? Laying the Groundwork for Advances in Hospital-Course Summarization [2.432409923443071]
  患者の入院中に書かれた文書を考えると、患者の入院の物語を記した段落を作成する。 109,000の病院化(2Mソースノート)とその対応する要約プロキシの英語、テキストからテキストへのデータセットを構築します。 本稿では,この複雑な文書要約タスクのモデル化における複数の意味を明らかにする。
  論文  参考訳（メタデータ） (2021-04-12T19:31:48Z)
• Multi-Task Driven Explainable Diagnosis of COVID-19 using Chest X-ray Images [61.24431480245932]
  COVID-19 Multi-Task Networkは、新型コロナウイルススクリーニングのためのエンドツーエンドネットワークである。 我々は,ChestXray-14,CheXpertおよび統合型COVID-19データセットから採取した9000個の前頭胸部X線写真から肺領域を手動で注釈した。 このデータベースは研究コミュニティに公開されます。
  論文  参考訳（メタデータ） (2020-08-03T12:52:23Z)
• Auxiliary Signal-Guided Knowledge Encoder-Decoder for Medical Report Generation [107.3538598876467]
  放射線技師の動作パターンを模倣する補助信号誘導知識デコーダ(ASGK)を提案する。 ASGKは、内的特徴融合と外部医療言語情報を統合して、医療知識の伝達と学習をガイドする。
  論文  参考訳（メタデータ） (2020-06-06T01:00:15Z)
• Transforming unstructured voice and text data into insight for paramedic emergency service using recurrent and convolutional neural networks [68.8204255655161]
  救急隊員は救急車内で限られた時間内に救命判断をしなければならないことが多い。 本研究の目的は、音声とテキストデータを自動的に融合して、救急隊員に適切な状況認識情報を提供することである。
  論文  参考訳（メタデータ） (2020-05-30T06:47:02Z)

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。