論文の概要: A Review of Longitudinal Radiology Report Generation: Dataset Composition, Methods, and Performance Evaluation

• arxiv url: http://arxiv.org/abs/2510.12444v1
• Date: Tue, 14 Oct 2025 12:26:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.310622
• Title: A Review of Longitudinal Radiology Report Generation: Dataset Composition, Methods, and Performance Evaluation
• Title（参考訳）: 縦断放射線学レポート作成のレビュー:データセットの構成, 方法, 性能評価
• Authors: Shaoyang Zhou, Yingshu Li, Yunyi Liu, Lingqiao Liu, Lei Wang, Luping Zhou,
• Abstract要約: 本調査は, 縦断的放射線診断レポート生成(LRRG)の総括的検討である。 提案手法は, データセット構築戦略, レポート生成アーキテクチャ, 縦に調整された設計, 評価プロトコルについて検討する。 我々は、今後の発展に向けての有望な方向性を概説し、この新興分野を前進させるための基盤を築くことを目的とする。
• 参考スコア（独自算出の注目度）: 44.033992726928034
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chest Xray imaging is a widely used diagnostic tool in modern medicine, and its high utilization creates substantial workloads for radiologists. To alleviate this burden, vision language models are increasingly applied to automate Chest Xray radiology report generation (CXRRRG), aiming for clinically accurate descriptions while reducing manual effort. Conventional approaches, however, typically rely on single images, failing to capture the longitudinal context necessary for producing clinically faithful comparison statements. Recently, growing attention has been directed toward incorporating longitudinal data into CXR RRG, enabling models to leverage historical studies in ways that mirror radiologists diagnostic workflows. Nevertheless, existing surveys primarily address single image CXRRRG and offer limited guidance for longitudinal settings, leaving researchers without a systematic framework for model design. To address this gap, this survey provides the first comprehensive review of longitudinal radiology report generation (LRRG). Specifically, we examine dataset construction strategies, report generation architectures alongside longitudinally tailored designs, and evaluation protocols encompassing both longitudinal specific measures and widely used benchmarks. We further summarize LRRG methods performance, alongside analyses of different ablation studies, which collectively highlight the critical role of longitudinal information and architectural design choices in improving model performance. Finally, we summarize five major limitations of current research and outline promising directions for future development, aiming to lay a foundation for advancing this emerging field.
• Abstract（参考訳）: 胸部X線画像は現代医学で広く用いられている診断ツールであり、その高い利用は放射線医にかなりの負荷を与えている。 この負担を軽減するため、視覚言語モデルを用いてChest Xray Radiology Report Generation (CXRRRG)を自動化し、手作業の軽減を図り、臨床的に正確な記述を目指している。 しかし、従来のアプローチは単一の画像に依存しており、臨床的に忠実な比較文を生成するのに必要な時間的文脈を捉えていない。 近年,CXR RRGに経時的データを組み込むことが注目されている。 それでも、既存の調査では、主にシングルイメージのCXRRRGに対処し、縦方向の設定に関する限られたガイダンスを提供しており、研究者はモデル設計の体系的な枠組みを欠いている。 このギャップに対処するため,この調査は縦断的放射線診断レポート生成(LRRG)の総合的レビューとして初めて行われる。 具体的には、データセット構築戦略、縦方向の調整された設計と並行してレポート生成アーキテクチャ、縦方向の具体的な指標と広く使用されているベンチマークの両方を包含する評価プロトコルについて検討する。 さらに,LRRG法の性能を,様々なアブレーション研究の分析とともに要約し,モデル性能向上における長手情報とアーキテクチャ設計選択の重要な役割を概説する。 最後に,本研究の5つの大きな限界を概説し,今後の発展に向けての有望な方向性を概説する。

関連論文リスト

• Online Iterative Self-Alignment for Radiology Report Generation [10.287396040943575]
  本稿では,ラジオロジーレポート生成(RRG)のための新しいオンライン反復自己アライメント(OISA)手法を提案する。 本手法により,特定の臨床目的に適した各種報告を作成でき,RRGモデル全体の性能を反復的に向上させることができる。
  論文  参考訳（メタデータ） (2025-05-17T12:31:12Z)
• HC-LLM: Historical-Constrained Large Language Models for Radiology Report Generation [89.3260120072177]
  本稿では,放射線学レポート生成のための歴史制約付き大規模言語モデル (HC-LLM) フレームワークを提案する。 胸部X線写真から経時的特徴と経時的特徴を抽出し,疾患の進行を捉える診断報告を行った。 特に,本手法は,テスト中の履歴データなしでも良好に動作し,他のマルチモーダル大規模モデルにも容易に適用可能である。
  論文  参考訳（メタデータ） (2024-12-15T06:04:16Z)
• HERGen: Elevating Radiology Report Generation with Longitudinal Data [18.370515015160912]
  本研究では,患者訪問における経時的データを効率的に統合するHERGen(History Enhanced Radiology Report Generation)フレームワークを提案する。 本手法は, 各種歴史データの包括的解析を可能にするだけでなく, 補助的コントラスト的目的により, 生成した報告の質を向上させる。 3つのデータセットにまたがる広範囲な評価結果から,我々のフレームワークは,正確な放射線診断レポートを作成し,医用画像から疾患の進行を効果的に予測する上で,既存の手法を超越していることが明らかとなった。
  論文  参考訳（メタデータ） (2024-07-21T13:29:16Z)
• Eye-gaze Guided Multi-modal Alignment for Medical Representation Learning [65.54680361074882]
  アイゲイズガイドマルチモーダルアライメント(EGMA)フレームワークは、アイゲイズデータを利用して、医用視覚的特徴とテキスト的特徴のアライメントを改善する。 我々は4つの医療データセット上で画像分類と画像テキスト検索の下流タスクを行う。
  論文  参考訳（メタデータ） (2024-03-19T03:59:14Z)
• 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)
• Longitudinal Data and a Semantic Similarity Reward for Chest X-Ray Report Generation [7.586632627817609]
  放射線学者は、解釈と報告を必要とする胸部X線(CXR)の量の増加のために、高いバーンアウト率に直面している。 提案するCXRレポートジェネレータは,ワークフローの要素を統合し,強化学習のための新たな報酬を導入する。 本研究の結果から, 提案モデルでは, 最新技術モデルよりも, 放射線学者の報告に適合した報告が生成されることがわかった。
  論文  参考訳（メタデータ） (2023-07-19T05:41:14Z)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)

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。