論文の概要: FactCheXcker: Mitigating Measurement Hallucinations in Chest X-ray Report Generation Models

• arxiv url: http://arxiv.org/abs/2411.18672v1
• Date: Wed, 27 Nov 2024 18:29:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:20:28.097010
• Title: FactCheXcker: Mitigating Measurement Hallucinations in Chest X-ray Report Generation Models
• Title（参考訳）: FactCheXcker:胸部X線レポート生成モデルにおける幻覚の緩和
• Authors: Alice Heiman, Xiaoman Zhang, Emma Chen, Sung Eun Kim, Pranav Rajpurkar,
• Abstract要約: 我々はFactCheXckerを紹介した。FactCheXckerは、改良されたクエリコード更新パラダイムを活用することで、放射線学レポートの測定をデハロシン化するモジュラーフレームワークである。 気管留置時のFactCheXckerは平均78%であった。 その結果, FactCheXckerは幻覚を著しく低減し, 測定精度を向上し, 元の報告の質を維持できることがわかった。
• 参考スコア（独自算出の注目度）: 4.444660517413999
• License:
• Abstract: Medical vision-language model models often struggle with generating accurate quantitative measurements in radiology reports, leading to hallucinations that undermine clinical reliability. We introduce FactCheXcker, a modular framework that de-hallucinates radiology report measurements by leveraging an improved query-code-update paradigm. Specifically, FactCheXcker employs specialized modules and the code generation capabilities of large language models to solve measurement queries generated based on the original report. After extracting measurable findings, the results are incorporated into an updated report. We evaluate FactCheXcker on endotracheal tube placement, which accounts for an average of 78% of report measurements, using the MIMIC-CXR dataset and 11 medical report-generation models. Our results show that FactCheXcker significantly reduces hallucinations, improves measurement precision, and maintains the quality of the original reports. Specifically, FactCheXcker improves the performance of all 11 models and achieves an average improvement of 94.0% in reducing measurement hallucinations measured by mean absolute error.
• Abstract（参考訳）: 医学的な視覚言語モデルモデルはしばしば、放射線学の報告において正確な定量的測定を作成するのに苦労し、臨床的な信頼性を損なう幻覚を引き起こす。 我々はFactCheXckerを紹介した。FactCheXckerは、改良されたクエリコード更新パラダイムを活用することで、放射線学レポートの測定をデハロシン化するモジュラーフレームワークである。 具体的には、FactCheXckerは、オリジナルのレポートに基づいて生成された測定クエリを解決するために、大規模言語モデルの特殊なモジュールとコード生成機能を使用している。 測定可能な所見を抽出した後、その結果を更新報告に組み込む。 MIMIC-CXRデータセットと11種類の医療用レポート生成モデルを用いて, 平均78%の報告量の内気管留置量に対するFactCheXckerの評価を行った。 その結果, FactCheXckerは幻覚を著しく低減し, 測定精度を向上し, 原報告の品質を維持していることがわかった。 具体的には、FactCheXckerは全11モデルの性能を改善し、平均絶対誤差で測定された測定幻覚を減少させる平均94.0%の改善を達成する。

関連論文リスト

• Semantic Consistency-Based Uncertainty Quantification for Factuality in Radiology Report Generation [20.173287130474797]
  生成医療ビジョン大言語モデル(VLLM)は幻覚を起こしやすく、不正確な診断情報を生成できる。 報告レベルと文レベルの不確実性の両方を提供するセマンティック一貫性に基づく不確実性定量化フレームワークを新たに導入する。 高不確実性レポートを控えることで、私たちのアプローチは事実性スコアを10ドル%改善し、20ドル%のレポートを拒否します。
  論文  参考訳（メタデータ） (2024-12-05T20:43:39Z)
• Anatomically-Grounded Fact Checking of Automated Chest X-ray Reports [0.0]
  そこで本稿では, 報告によって提示された発見とその位置の誤りを識別する, 説明可能なファクトチェックのための新しいモデルを提案する。 我々は,複数のSOTA自動報告ツールが生成した報告の修正において,結果のファクトチェックモデルとその有用性を評価する。
  論文  参考訳（メタデータ） (2024-12-03T05:21:42Z)
• 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)
• Exploring Multimodal Large Language Models for Radiology Report Error-checking [1.7217842380976978]
  本稿では, 放射線技師が報告の誤りを確認するための補助として, マルチモーダル大言語モデル (LLMs) を用いた最初の臨床応用の1つを提案する。 我々は、実世界の放射線学データセット(X線とCTスキャンを含む)から評価データセットを作成しました。 SIMPLEレベルでは,MIMIC-CXRとIU X線データでそれぞれ47.4%,25.4%向上した。
  論文  参考訳（メタデータ） (2023-12-20T15:20:33Z)
• Beyond Images: An Integrative Multi-modal Approach to Chest X-Ray Report Generation [47.250147322130545]
  画像からテキストまでの放射線学レポート生成は,医療画像の発見を記述した放射線学レポートを自動生成することを目的としている。 既存の方法の多くは画像データのみに焦点をあてており、他の患者情報は放射線科医に公開されていない。 胸部X線レポートを生成するための多モードディープニューラルネットワークフレームワークを,非構造的臨床ノートとともにバイタルサインや症状などの構造化された患者データを統合することで提案する。
  論文  参考訳（メタデータ） (2023-11-18T14:37:53Z)
• 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)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• Correcting Diverse Factual Errors in Abstractive Summarization via Post-Editing and Language Model Infilling [56.70682379371534]
  提案手法は, 誤要約の修正において, 従来手法よりもはるかに優れていることを示す。 我々のモデルであるFactEditは、CNN/DMで11点、XSumで31点以上のファクトリティスコアを改善する。
  論文  参考訳（メタデータ） (2022-10-22T07:16:19Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Learning Visual-Semantic Embeddings for Reporting Abnormal Findings on Chest X-rays [6.686095511538683]
  本研究は放射線画像の異常所見の報告に焦点を当てる。 本稿では, レポートから異常な発見を識別し, 教師なしクラスタリングと最小限のルールで分類する手法を提案する。 本手法は, 異常所見を回収し, 臨床正当性およびテキスト生成量の両方で既存の世代モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-06T04:18:18Z)

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。