論文の概要: Coarse-to-Fine Personalized LLM Impressions for Streamlined Radiology Reports

• arxiv url: http://arxiv.org/abs/2508.15845v2
• Date: Sat, 27 Sep 2025 16:19:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 17:47:09.168541
• Title: Coarse-to-Fine Personalized LLM Impressions for Streamlined Radiology Reports
• Title（参考訳）: 合理化放射線学報告に対する粗大なパーソナライズLDM印象
• Authors: Chengbo Sun, Hui Yi Leong, Lei Li,
• Abstract要約: 放射線学報告の「印象」セクションは、放射線学者の燃え尽きの第一の要因である。 本稿では,オープンソースの大規模言語モデル(LLM)を活用し,臨床所見から印象を自動生成・パーソナライズする粗大なフレームワークを提案する。 LLaMAとMistralのモデルをシカゴ大学医学部からの大量のレポートのデータセットに微調整する。
• 参考スコア（独自算出の注目度）: 5.373905622325275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The manual creation of the "Impression" section in radiology reports is a primary driver of radiologist burnout. To address this challenge, we propose a coarse-to-fine framework that leverages open-source large language models (LLMs) to automatically generate and personalize impressions from clinical findings. The system first produces a draft impression and then refines it using machine learning and reinforcement learning from human feedback (RLHF) to align with individual radiologists' styles while ensuring factual accuracy. We fine-tune LLaMA and Mistral models on a large dataset of reports from the University of Chicago Medicine. Our approach is designed to significantly reduce administrative workload and improve reporting efficiency while maintaining high standards of clinical precision.
• Abstract（参考訳）: 放射線学報告における「印象」セクションのマニュアル作成は、放射線学者の燃え尽きの主要な要因である。 この課題に対処するために,オープンソースの大規模言語モデル(LLM)を活用し,臨床所見から印象を自動生成・パーソナライズする粗粒度フレームワークを提案する。 このシステムはまず、まずドラフトインプレッションを生成し、次に、人間のフィードバック(RLHF)から機械学習と強化学習を用いて、実際の精度を確保しながら、個々の放射線学者のスタイルと整合する。 LLaMAとMistralのモデルをシカゴ大学医学部からの大量のレポートのデータセットに微調整する。 本手法は, 管理作業量を大幅に削減し, 報告効率を向上させるとともに, 高基準の臨床精度を維持している。

関連論文リスト

• MRG-R1: Reinforcement Learning for Clinically Aligned Medical Report Generation [23.22547135801011]
  医療報告生成のための意味駆動型強化学習(SRL)手法を提案する。 SRLは、言語スタイルの模倣を超えた臨床的正確性に基づく学習を促進する。 IU X線とMIMIC-CXRの2つのデータセットを用いたSRLを用いた医療報告生成の評価を行った。
  論文  参考訳（メタデータ） (2025-12-18T03:57:55Z)
• Revolutionizing Radiology Workflow with Factual and Efficient CXR Report Generation [0.0]
  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。
  論文  参考訳（メタデータ） (2025-06-01T18:47:49Z)
• GIT-CXR: End-to-End Transformer for Chest X-Ray Report Generation [2.8900715468305767]
  我々は,X線画像の高精度かつ実測的に完全なラジオグラフィーレポートを生成するために,エンドツーエンドのトランスフォーマーベースの手法を設計,評価した。 実験はMIMIC-CXR-JPGデータベースを用いて行われた。
  論文  参考訳（メタデータ） (2025-01-05T16:45:49Z)
• 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)
• 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)
• 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)
• End-to-End Breast Cancer Radiotherapy Planning via LMMs with Consistency Embedding [47.360760580820966]
  放射線腫瘍学の分野に適した包括的大規模マルチモーダルモデル(LMM)であるRO-LMMを提案する。 このモデルは臨床ワークフロー内の一連のタスクを効果的に管理し、臨床コンテキストの要約、放射線治療計画の提案、計画誘導されたターゲットボリュームセグメンテーションを含む。 クリーン入力処理の整合性を維持しつつ,LMMのノイズ入力に対する堅牢性を向上する,CEFTune(Consistency Embedding Fine-Tuning)技術を提案する。
  論文  参考訳（メタデータ） (2023-11-27T14:49:06Z)
• 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)
• LLM-driven Multimodal Target Volume Contouring in Radiation Oncology [46.23891509553877]
  大規模言語モデル(LLM)は、テキスト情報と画像の統合を容易にする。 LLM駆動型マルチモーダルAI,すなわちLLMSegを提案する。 提案モデルでは,従来のユニモーダルAIモデルと比較して,性能が著しく向上していることが実証された。
  論文  参考訳（メタデータ） (2023-11-03T13:38:42Z)
• 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)
• Customizing General-Purpose Foundation Models for Medical Report Generation [64.31265734687182]
  ラベル付き医用画像-レポートペアの不足は、ディープニューラルネットワークや大規模ニューラルネットワークの開発において大きな課題となっている。 本稿では,コンピュータビジョンと自然言語処理の基盤モデル (FM) として,市販の汎用大規模事前学習モデルのカスタマイズを提案する。
  論文  参考訳（メタデータ） (2023-06-09T03:02:36Z)
• An Iterative Optimizing Framework for Radiology Report Summarization with ChatGPT [80.33783969507458]
  放射線医学報告の「印象」セクションは、放射線医と他の医師とのコミュニケーションにとって重要な基盤である。 近年の研究では、大規模医療用テキストデータを用いた印象自動生成の有望な成果が得られている。 これらのモデルは、しばしば大量の医療用テキストデータを必要とし、一般化性能が劣る。
  論文  参考訳（メタデータ） (2023-04-17T17:13:42Z)
• 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)
• Generating Radiology Reports via Memory-driven Transformer [38.30011851429407]
  本稿では,メモリ駆動型トランスフォーマを用いた放射線学レポートの作成を提案する。 IU X線とMIMIC-CXRの2つの代表的な放射線学報告データセットの実験結果
  論文  参考訳（メタデータ） (2020-10-30T04:08:03Z)

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。