Fugu-MT 論文翻訳(概要): Revolutionizing Radiology Workflow with Factual and Efficient CXR Report Generation

論文の概要: Revolutionizing Radiology Workflow with Factual and Efficient CXR Report Generation

arxiv url: http://arxiv.org/abs/2506.01118v1
Date: Sun, 01 Jun 2025 18:47:49 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-04 21:47:33.94173
Title: Revolutionizing Radiology Workflow with Factual and Efficient CXR Report Generation
Title（参考訳）: 実効的で効率的なCXRレポート生成による放射線学ワークフローの革新
Authors: Pimchanok Sukjai, Apiradee Boonmee,
Abstract要約: 本稿では,胸部X線自動生成に特化して開発されたLLM中心の基盤モデルであるCXR-PathFinderを紹介する。本稿では,専門的な臨床フィードバックを相手の学習フレームワークに統合する,ユニークな訓練パラダイムであるCGAFTを提案する。我々の実験は、CXR-PathFinderが、様々なメトリクスで既存の最先端の医療ビジョン言語モデルを大幅に上回っていることを実証した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The escalating demand for medical image interpretation underscores the critical need for advanced artificial intelligence solutions to enhance the efficiency and accuracy of radiological diagnoses. This paper introduces CXR-PathFinder, a novel Large Language Model (LLM)-centric foundation model specifically engineered for automated chest X-ray (CXR) report generation. We propose a unique training paradigm, Clinician-Guided Adversarial Fine-Tuning (CGAFT), which meticulously integrates expert clinical feedback into an adversarial learning framework to mitigate factual inconsistencies and improve diagnostic precision. Complementing this, our Knowledge Graph Augmentation Module (KGAM) acts as an inference-time safeguard, dynamically verifying generated medical statements against authoritative knowledge bases to minimize hallucinations and ensure standardized terminology. Leveraging a comprehensive dataset of millions of paired CXR images and expert reports, our experiments demonstrate that CXR-PathFinder significantly outperforms existing state-of-the-art medical vision-language models across various quantitative metrics, including clinical accuracy (Macro F1 (14): 46.5, Micro F1 (14): 59.5). Furthermore, blinded human evaluation by board-certified radiologists confirms CXR-PathFinder's superior clinical utility, completeness, and accuracy, establishing its potential as a reliable and efficient aid for radiological practice. The developed method effectively balances high diagnostic fidelity with computational efficiency, providing a robust solution for automated medical report generation.
Abstract（参考訳）: 医用画像解釈の需要の増大は、放射線診断の効率性と精度を高めるために高度な人工知能ソリューションの必要性を浮き彫りにしている。本稿では,胸部X線自動生成に特化して開発されたLLM中心の基盤モデルであるCXR-PathFinderを紹介する。本稿では,専門的臨床フィードバックを,現実的不整合を緩和し,診断精度を向上させるための対人学習フレームワークに統合する,ユニークな訓練パラダイムであるCGAFTを提案する。我々の知識グラフ拡張モジュール(KGAM)は推論時セーフガードとして機能し、幻覚を最小化し、標準化された用語を確実にするために、権威的な知識ベースに対して生成された医療声明を動的に検証する。 CXR-PathFinderは、数百万対のCXR画像とエキスパートレポートの包括的なデータセットを活用することで、臨床精度(Macro F1 (14): 46.5, Micro F1 (14): 59.5)を含む、さまざまな定量的指標において、既存の最先端の医療ビジョン言語モデルよりも大幅に優れていることを示した。さらに、CXR-PathFinderの優れた臨床的有用性、完全性、正確性を確認し、その可能性を放射線学的実践の信頼性と効率的な支援として確立している。本手法は,高い診断精度と計算効率を効果的にバランスさせ,医療報告の自動生成のための堅牢なソリューションを提供する。

関連論文リスト

DALL-M: Context-Aware Clinical Data Augmentation with LLMs [13.827368628263997]
DALL-Mは、コンテキスト合成データを生成することで、臨床データセットを強化するフレームワークである。構造化された患者データと、放射線学レポートやドメイン固有のリソースから抽出された文脈的知識を統合する。大規模言語モデル(LLM)を用いて、既存の臨床特徴に対する文脈合成値と、全く新しい臨床的特徴を生成する。
論文参考訳（メタデータ） (2024-07-11T07:01:50Z)
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, 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)
CopilotCAD: Empowering Radiologists with Report Completion Models and Quantitative Evidence from Medical Image Foundation Models [3.8940162151291804]
本研究は,放射線技師の補助的共同操縦システムを構築するための革新的なパラダイムを紹介する。我々は,大規模言語モデル(LLM)と医用画像解析ツールを統合する協調フレームワークを開発した。
論文参考訳（メタデータ） (2024-04-11T01:33:45Z)
Large Model driven Radiology Report Generation with Clinical Quality Reinforcement Learning [16.849933628738277]
放射線学報告生成 (RRG) は, 放射線技師の作業量削減の可能性から注目されている。本稿では,新しいRRG法である textbfLM-RRG について紹介する。 MIMIC-CXRおよびIU-Xrayデータセットを用いた実験により,本手法が技術状況よりも優れていることを示す。
論文参考訳（メタデータ） (2024-03-11T13:47:11Z)
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)
In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文参考訳（メタデータ） (2021-04-06T02:01:43Z)
Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文参考訳（メタデータ） (2021-03-19T14:13:56Z)
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)

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。