論文の概要: Radiology Workflow-Guided Hierarchical Reinforcement Fine-Tuning for Medical Report Generation

• arxiv url: http://arxiv.org/abs/2511.10065v1
• Date: Fri, 14 Nov 2025 01:29:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.675467
• Title: Radiology Workflow-Guided Hierarchical Reinforcement Fine-Tuning for Medical Report Generation
• Title（参考訳）: 医療報告作成のための放射線治療用階層強化細管
• Authors: Bodong Du, Honglong Yang, Xiaomeng Li,
• Abstract要約: 放射線医は、構造化されたワークフローを通して診断レポートを作成する。 既存の医療報告生成システムは、レポートをフラットなシーケンスとして扱い、この階層的な組織を見渡す。 本稿では,臨床報告の構造的性質を明示的にモデル化した階層型ワークフロー誘導強化フレームワークRadFlowを提案する。
• 参考スコア（独自算出の注目度）: 11.117796080402044
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radiologists compose diagnostic reports through a structured workflow: they describe visual findings, summarize them into impressions, and carefully refine statements in clinically critical cases. However, most existing medical report generation (MRG) systems treat reports as flat sequences, overlooking this hierarchical organization and leading to inconsistencies between descriptive and diagnostic content. To align model behavior with real-world reporting practices, we propose RadFlow, a hierarchical workflow-guided reinforcement optimization framework that explicitly models the structured nature of clinical reporting. RadFlow introduces a clinically grounded reward hierarchy that mirrors the organization of radiological reports. At the global level, the reward integrates linguistic fluency, medical-domain correctness, and cross-sectional consistency between Finding and Impression, promoting coherent and clinically faithful narratives. At the local level, a section-specific reward emphasizes Impression quality, reflecting its central role in diagnostic accuracy. Furthermore, a critical-aware policy optimization mechanism adaptively regularizes learning for high-risk or clinically sensitive cases, emulating the cautious refinement behavior of radiologists when documenting critical findings. Together, these components translate the structured reporting paradigm into the reinforcement fine-tuning process, enabling the model to generate reports that are both linguistically consistent and clinically aligned. Experiments on chest X-ray and carotid ultrasound datasets demonstrate that RadFlow consistently improves diagnostic coherence and overall report quality compared with state-of-the-art baselines.
• Abstract（参考訳）: 放射線科医は、視覚的な所見を記述し、それらを印象にまとめ、臨床的に重要な症例で注意深く記述する、構造化されたワークフローを通じて診断レポートを構成する。 しかし、既存の医療報告生成システム(MRG)は、レポートをフラットなシーケンスとして扱い、この階層的な組織を見下ろし、記述的内容と診断的内容の間に矛盾をもたらす。 モデル行動と実世界のレポーティングプラクティスを整合させるために,臨床報告の構造的性質を明示的にモデル化した階層型ワークフロー誘導強化最適化フレームワークRadFlowを提案する。 RadFlowは、放射線学的報告の組織を反映した臨床基盤の報酬階層を導入している。 世界レベルでは、報酬は言語流布、医療領域の正しさ、発見と印象の間の断続的な一貫性を統合し、一貫性と臨床的に忠実な物語を促進する。 局所レベルでは、部分特異的報酬は印象品質を強調し、診断精度における中心的な役割を反映している。 さらに、クリティカル・アウェア・ポリシー最適化機構は、リスクの高い、または臨床的に敏感なケースの学習を適応的に規則化し、批判的な発見を文書化する際に、放射線技師の慎重な洗練行動をエミュレートする。 これらのコンポーネントは、構造化されたレポートパラダイムを強化微調整プロセスに変換することで、言語的に一貫した、臨床的に整合したレポートを生成することができる。 胸部X線および頸動脈超音波データセットの実験により、RadFlowは最先端のベースラインと比較して診断コヒーレンスと全体的な報告品質を一貫して改善することが示された。

関連論文リスト

• Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
  医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。 本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。 SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
  論文  参考訳（メタデータ） (2025-09-30T08:59:06Z)
• S-RRG-Bench: Structured Radiology Report Generation with Fine-Grained Evaluation Framework [39.542375803362965]
  胸部X線などの診断画像のための放射線診断レポート生成(RRG)は、臨床とAIの両方において重要な役割を担っている。 従来のフリーテキストレポートは冗長性と一貫性のない言語に悩まされ、臨床的に重要な詳細の抽出が複雑になる。 本稿では、データセット構築、モデルトレーニング、新しい評価フレームワークの導入を含む、S-RRGに対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-08-04T05:49:41Z)
• RadFabric: Agentic AI System with Reasoning Capability for Radiology [61.25593938175618]
  RadFabricは、総合的なCXR解釈のための視覚的およびテキスト分析を統合するマルチエージェント、マルチモーダル推論フレームワークである。 システムは、病理診断に特殊なCXRエージェント、正確な解剖学的構造に視覚所見をマッピングする解剖学的解釈エージェント、および視覚的、解剖学的、臨床データを透明かつ証拠に基づく診断に合成する大規模なマルチモーダル推論モデルを利用した推論エージェントを使用する。
  論文  参考訳（メタデータ） (2025-06-17T03:10:33Z)
• Structural Entities Extraction and Patient Indications Incorporation for Chest X-ray Report Generation [10.46031380503486]
  胸部X線レポート生成のための新しい方法である textbfStructural textbfEntities 抽出法と textbfIncorporation (SEI) を考案した。 我々は、レポートにおけるプレゼンテーションスタイルの語彙を排除するために、構造エンティティ抽出(SEE)アプローチを採用する。 我々は,X線画像,類似の歴史的症例,患者固有の指標からの情報を統合するクロスモーダル融合ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-05-23T01:29:47Z)
• 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)
• 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)
• 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)
• FlexR: Few-shot Classification with Language Embeddings for Structured Reporting of Chest X-rays [37.15474283789249]
  構造化された報告テンプレートにおける文によって定義される臨床所見を予測する手法を提案する。 この手法は、胸部X線と関連する自由テキストラジオグラフィーレポートを用いて、対照的な言語画像モデルを訓練することを含む。 その結果, 訓練用画像レベルのアノテーションが限られている場合でも, 胸部X線における重症度評価の構造化された報告タスクを達成できることが示唆された。
  論文  参考訳（メタデータ） (2022-03-29T16:31:39Z)

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。