論文の概要: RadPhi-3: Small Language Models for Radiology

• arxiv url: http://arxiv.org/abs/2411.13604v1
• Date: Tue, 19 Nov 2024 11:24:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-22 15:20:46.628355
• Title: RadPhi-3: Small Language Models for Radiology
• Title（参考訳）: RadPhi-3: 放射線学のための小さな言語モデル
• Authors: Mercy Ranjit, Shaury Srivastav, Tanuja Ganu,
• Abstract要約: 本研究では,Phi-3-mini-4k-インストラクションを3.8Bパラメータで調整し,放射線学における様々なタスクを支援する小型言語モデルRadPhi-3を提案する。 これまでの研究では, 印象要約生成が主な課題であったが, これまでの放射線学報告とそれ以前の報告とを比較した要約生成, 放射線学レポートからのセクション抽出, 各種の病理, 管, 線, デバイスとのタグ付けなど, その他の有用な課題も検討している。
• 参考スコア（独自算出の注目度）: 3.2515490312812623
• License:
• Abstract: LLM based copilot assistants are useful in everyday tasks. There is a proliferation in the exploration of AI assistant use cases to support radiology workflows in a reliable manner. In this work, we present RadPhi-3, a Small Language Model instruction tuned from Phi-3-mini-4k-instruct with 3.8B parameters to assist with various tasks in radiology workflows. While impression summary generation has been the primary task which has been explored in prior works w.r.t radiology reports of Chest X-rays, we also explore other useful tasks like change summary generation comparing the current radiology report and its prior report, section extraction from radiology reports, tagging the reports with various pathologies and tubes, lines or devices present in them etc. In-addition, instruction tuning RadPhi-3 involved learning from a credible knowledge source used by radiologists, Radiopaedia.org. RadPhi-3 can be used both to give reliable answers for radiology related queries as well as perform useful tasks related to radiology reports. RadPhi-3 achieves SOTA results on the RaLEs radiology report generation benchmark.
• Abstract（参考訳）: LLMベースの副操縦士アシスタントは日常業務に有用である。 信頼できる方法で放射線学ワークフローをサポートするAIアシスタントユースケースの探索が急増している。 本研究では,Phi-3-mini-4k-インストラクションを3.8Bパラメータで調整し,放射線学のワークフローにおける様々なタスクを支援する小型言語モデルRadPhi-3を提案する。 胸部X線の放射線学報告において, 印象要約生成が主要な課題となっているが, 現状の放射線学レポートとそれ以前の報告との比較, 放射線学レポートからのセクション抽出, 各種病理学, チューブ, ライン, デバイスなど, その他の有用な課題も検討している。 RadPhi-3は放射線学者のRadiopaedia.orgが使用する信頼できる知識源から学習する。 RadPhi-3は、放射線学関連のクエリに対する信頼性の高い回答と、放射線学レポートに関する有用なタスクの両方に使用できる。 RadPhi-3はRalesの放射線学レポート生成ベンチマークでSOTA結果を達成する。

関連論文リスト

• MGH Radiology Llama: A Llama 3 70B Model for Radiology [27.575944159578786]
  本稿では,高度な放射線学に焦点を当てた大規模言語モデルMGH Radiology Llamaを提案する。 Llama 3 70Bモデルを使用して開発され、Radiology-GPTやRadiology-Llama2といった従来のドメイン固有モデルをベースにしている。 従来の指標とGPT-4に基づく評価の両方を取り入れた評価では,汎用LLMよりも高い性能を示す。
  論文  参考訳（メタデータ） (2024-08-13T01:30:03Z)
• RAD-PHI2: Instruction Tuning PHI-2 for Radiology [2.774342358600601]
  小言語モデル(SLM)は、一般的なドメイン言語理解、推論、コーディングタスクにおいて顕著なパフォーマンスを示している。 本研究では,SLMの一般放射線学知識への応用,特に症状の理解に関連する質問応答について検討する。 胸部X線レポートに関連する一般領域タスクと放射線学固有のタスクの両方でPhi-2を微調整することにより、Rad-Phi2を作成する。
  論文  参考訳（メタデータ） (2024-03-12T17:27:22Z)
• 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)
• RadOnc-GPT: A Large Language Model for Radiation Oncology [42.92077650252404]
  RadOnc-GPTは、アリゾナ州のマヨクリニックの放射線腫瘍学患者の大規模なデータセットに基づいて微調整された。 このモデルは、放射線治療レギュレータの生成、最適な放射線モダリティの決定、診断記述/ICDコードの提供という、3つの重要なタスクを指導チューニングする。
  論文  参考訳（メタデータ） (2023-09-18T21:15:02Z)
• 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)
• Radiology-GPT: A Large Language Model for Radiology [74.07944784968372]
  本稿では,ラジオロジーのための大規模言語モデルであるRadiology-GPTを紹介する。 StableLM、Dolly、LLaMAといった一般的な言語モデルと比較して、優れたパフォーマンスを示している。 放射線診断、研究、通信において大きな汎用性を示す。
  論文  参考訳（メタデータ） (2023-06-14T17:57:24Z)
• 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)
• Exploring and Distilling Posterior and Prior Knowledge for Radiology Report Generation [55.00308939833555]
  PPKEDには、Posterior Knowledge Explorer (PoKE), Prior Knowledge Explorer (PrKE), Multi-domain Knowledge Distiller (MKD)の3つのモジュールが含まれている。 PoKEは後部知識を探求し、視覚データのバイアスを軽減するために明確な異常な視覚領域を提供する。 PrKEは、以前の医学知識グラフ(医学知識)と以前の放射線学レポート(作業経験)から以前の知識を探り、テキストデータのバイアスを軽減する。
  論文  参考訳（メタデータ） (2021-06-13T11:10:02Z)

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。