論文の概要: Comparative Analysis of Abstractive Summarization Models for Clinical Radiology Reports

• arxiv url: http://arxiv.org/abs/2506.16247v1
• Date: Thu, 19 Jun 2025 12:07:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.055316
• Title: Comparative Analysis of Abstractive Summarization Models for Clinical Radiology Reports
• Title（参考訳）: 臨床放射線診断における抽象的要約モデルの比較分析
• Authors: Anindita Bhattacharya, Tohida Rehman, Debarshi Kumar Sanyal, Samiran Chattopadhyay,
• Abstract要約: 本研究は, 放射線学報告の発見部から簡潔な印象を生成するために, 高度な抽象的要約モデルを用いることを考察する。 T5-base, BART-base, PEG-x-base, ChatGPT-4, LLaMA-3-8B, およびカバー機構を備えたカスタムポインタジェネレータネットワークを含む, 事前訓練およびオープンソースの大規模言語モデルの比較分析を行った。
• 参考スコア（独自算出の注目度）: 3.065600760950715
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The findings section of a radiology report is often detailed and lengthy, whereas the impression section is comparatively more compact and captures key diagnostic conclusions. This research explores the use of advanced abstractive summarization models to generate the concise impression from the findings section of a radiology report. We have used the publicly available MIMIC-CXR dataset. A comparative analysis is conducted on leading pre-trained and open-source large language models, including T5-base, BART-base, PEGASUS-x-base, ChatGPT-4, LLaMA-3-8B, and a custom Pointer Generator Network with a coverage mechanism. To ensure a thorough assessment, multiple evaluation metrics are employed, including ROUGE-1, ROUGE-2, ROUGE-L, METEOR, and BERTScore. By analyzing the performance of these models, this study identifies their respective strengths and limitations in the summarization of medical text. The findings of this paper provide helpful information for medical professionals who need automated summarization solutions in the healthcare sector.
• Abstract（参考訳）: 放射線学報告の発見部は、しばしば詳細で長いが、印象部は比較的コンパクトであり、重要な診断結論を捉えている。 本研究は, 放射線学報告の発見部から簡潔な印象を生成するために, 高度な抽象的要約モデルを用いることを考察する。 利用可能なMIMIC-CXRデータセットを使用しました。 T5-base, BART-base, PEGASUS-x-base, ChatGPT-4, LLaMA-3-8B, カバー機構を備えたカスタムポインタージェネレータネットワークなど, 事前訓練およびオープンソースの大規模言語モデルの比較分析を行った。 徹底的な評価を確保するため、ROUGE-1、ROUGE-2、ROUGE-L、METEOR、BERTScoreを含む複数の評価指標が採用されている。 本研究は,これらのモデルの性能を解析することにより,医療用テキストの要約におけるそれぞれの長所と短所を明らかにした。 本研究は,医療分野における自動要約ソリューションを必要とする医療専門家に有用な情報を提供するものである。

関連論文リスト

• 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)
• Improving Expert Radiology Report Summarization by Prompting Large Language Models with a Layperson Summary [8.003346409136348]
  放射線医学報告要約(RRS)は患者のケアに不可欠であり、詳細な「フィンディング」からの簡潔な「印象」を必要とする 本稿では、まず、素人要約を生成することでRSを強化するための新しいプロンプト戦略を提案する。 本結果は,特にドメイン外テストにおいて,要約精度とアクセシビリティの向上を示す。
  論文  参考訳（メタデータ） (2024-06-20T17:01:55Z)
• RadBARTsum: Domain Specific Adaption of Denoising Sequence-to-Sequence Models for Abstractive Radiology Report Summarization [1.8450534779202723]
  本研究では,抽象的放射線学レポート要約のためのドメイン固有かつ容易なBARTモデルの適応であるRadBARTsumを提案する。 本手法は,1)生物医学領域の知識学習を改善するための新しい実体マスキング戦略を用いて,放射線学報告の大規模コーパス上でBARTモデルを再学習すること,2)印象区間を予測するためにFindersとバックグラウンドセクションを用いて要約タスクのモデルを微調整すること,の2つの段階を含む。
  論文  参考訳（メタデータ） (2024-06-05T08:43:11Z)
• 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)
• Medical Image Captioning via Generative Pretrained Transformers [57.308920993032274]
  我々は、Show-Attend-Tell と GPT-3 という2つの言語モデルを組み合わせて、包括的で記述的な放射線学記録を生成する。 提案モデルは、Open-I、MIMIC-CXR、汎用MS-COCOの2つの医療データセットで検証される。
  論文  参考訳（メタデータ） (2022-09-28T10:27:10Z)
• Show, Describe and Conclude: On Exploiting the Structure Information of Chest X-Ray Reports [5.6070625920019825]
  胸部X線像(CXR)は臨床検診や診断に一般的に用いられる。 レポートのセクションと内部の複雑な構造は、自動レポート生成に大きな課題をもたらします。 本稿では,CXRイメージングレポートを生成するために,レポートセクション間の構造情報を利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） (2020-04-26T02:29:20Z)

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。