論文の概要: HARE: an entity and relation centric evaluation framework for histopathology reports

• arxiv url: http://arxiv.org/abs/2509.16326v1
• Date: Fri, 19 Sep 2025 18:12:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:15.735507
• Title: HARE: an entity and relation centric evaluation framework for histopathology reports
• Title（参考訳）: 病理組織学報告のための実体・関係中心評価フレームワークHARE
• Authors: Yunsoo Kim, Michal W. S. Ong, Alex Shavick, Honghan Wu, Adam P. Levine,
• Abstract要約: 我々は,新しい実体と関係中心のフレームワークであるHARE(Histopathology Automated Report Evaluation)を提案する。 HarEは、重要な病理組織学的実体と参照と生成された報告の関係を整合させることにより、臨床的に関係のある内容の優先順位付けを行う。 GatorTronSはドメイン適応型言語モデルで、HARE-NERとHARE-REを開発した。
• 参考スコア（独自算出の注目度）: 12.209068071559829
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical domain automated text generation is an active area of research and development; however, evaluating the clinical quality of generated reports remains a challenge, especially in instances where domain-specific metrics are lacking, e.g. histopathology. We propose HARE (Histopathology Automated Report Evaluation), a novel entity and relation centric framework, composed of a benchmark dataset, a named entity recognition (NER) model, a relation extraction (RE) model, and a novel metric, which prioritizes clinically relevant content by aligning critical histopathology entities and relations between reference and generated reports. To develop the HARE benchmark, we annotated 813 de-identified clinical diagnostic histopathology reports and 652 histopathology reports from The Cancer Genome Atlas (TCGA) with domain-specific entities and relations. We fine-tuned GatorTronS, a domain-adapted language model to develop HARE-NER and HARE-RE which achieved the highest overall F1-score (0.915) among the tested models. The proposed HARE metric outperformed traditional metrics including ROUGE and Meteor, as well as radiology metrics such as RadGraph-XL, with the highest correlation and the best regression to expert evaluations (higher than the second best method, GREEN, a large language model based radiology report evaluator, by Pearson $r = 0.168$, Spearman $\rho = 0.161$, Kendall $\tau = 0.123$, $R^2 = 0.176$, $RMSE = 0.018$). We release HARE, datasets, and the models at https://github.com/knowlab/HARE to foster advancements in histopathology report generation, providing a robust framework for improving the quality of reports.
• Abstract（参考訳）: 医学領域の自動テキスト生成は研究と開発において活発な領域であるが,特に領域特異的な指標が欠如している場合,特に病理組織学などでは,報告の臨床的品質を評価することが課題である。 本稿では, ベンチマークデータセット, 名前付きエンティティ認識(NER)モデル, 関係抽出(RE)モデル, および, 臨床関連内容の優先順位付けを行う新しい指標であるHARE(Histopathology Automated Report Evaluation)を提案する。 The Cancer Genome Atlas (TCGA) の813名の臨床病理組織学的報告と652名の病理組織学的報告にドメイン固有性と関連性を認めた。 GatorTronSはドメイン適応型言語モデルで、HARE-NERとHARE-REを開発した。 提案されたHAREメトリクスは、ROUGEやMeteorといった従来の指標、RadGraph-XLのような放射線学指標よりも高い相関性を持ち、専門家の評価に最高の回帰率を持つ(GREENは、Pearson $r = 0.168$、Spearman $\rho = 0.161$、Kendall $\tau = 0.123$、$R^2 = 0.176$、$RMSE = 0.018$)。 HARE、データセット、およびモデルをhttps://github.com/knowlab/HAREでリリースし、病理組織学的レポート生成の進歩を促進するとともに、レポートの品質向上のための堅牢なフレームワークを提供します。

関連論文リスト

• Medical-GAT: Cancer Document Classification Leveraging Graph-Based Residual Network for Scenarios with Limited Data [1.0485739694839669]
  我々は, 甲状腺癌, 大腸癌, 肺癌, 一般の話題に分類した, 1,874 の生医学的抄録を収集した。 我々の研究は、特にデータスカースシナリオにおいて、分類性能を改善するためにこのデータセットを活用することに焦点を当てている。 がん関連文書のセマンティック情報と構造的関係をキャプチャする複数のグラフアテンション層を備えたResidual Graph Attention Network(R-GAT)を導入する。
  論文  参考訳（メタデータ） (2024-10-19T20:07:40Z)
• 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)
• HistGen: Histopathology Report Generation via Local-Global Feature Encoding and Cross-modal Context Interaction [16.060286162384536]
  HistGenは、病理組織学レポート生成のための学習可能なフレームワークである。 スライド画像全体(WSI)と局所的およびグローバルな粒度からの診断レポートを整列させることで、レポート生成を促進することを目的としている。 WSIレポート生成実験の結果,提案手法は最先端モデル(SOTA)よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2024-03-08T15:51:43Z)
• 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)
• PathLDM: Text conditioned Latent Diffusion Model for Histopathology [62.970593674481414]
  そこで我々は,高品質な病理像を生成するためのテキスト条件付き遅延拡散モデルPathLDMを紹介した。 提案手法は画像とテキストデータを融合して生成プロセスを強化する。 我々は,TCGA-BRCAデータセット上でのテキスト・ツー・イメージ生成において,SoTA FIDスコア7.64を達成し,FID30.1と最も近いテキスト・コンディショナブル・コンペティタを著しく上回った。
  論文  参考訳（メタデータ） (2023-09-01T22:08:32Z)

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。