論文の概要: EviAgent: Evidence-Driven Agent for Radiology Report Generation
- arxiv url: http://arxiv.org/abs/2603.13956v1
- Date: Sat, 14 Mar 2026 14:07:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-17 16:19:35.508221
- Title: EviAgent: Evidence-Driven Agent for Radiology Report Generation
- Title（参考訳）: EviAgent: 放射線学レポート生成のためのエビデンス駆動エージェント
- Authors: Tuoshi Qi, Shenshen Bu, Yingfei Xiang, Zhiming Dai,
- Abstract要約: Evidence-driven Radiology Report Generation Agent (EviAgent) を提案する。
不透明なエンドツーエンドのパラダイムとは異なり、EviAgentは複雑な生成プロセスを細かい操作単位に分解することで透明な推論軌道を調整している。
我々は,多次元視覚専門家と検索機構を外部支援モジュールとして統合し,明示的な視覚的エビデンスと高品質な臨床経験をシステムに提供する。
- 参考スコア（独自算出の注目度）: 2.624902795082451
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated radiology report generation holds immense potential to alleviate the heavy workload of radiologists. Despite the formidable vision-language capabilities of recent Multimodal Large Language Models (MLLMs), their clinical deployment is severely constrained by inherent limitations: their "black-box" decision-making renders the generated reports untraceable due to the lack of explicit visual evidence to support the diagnosis, and they struggle to access external domain knowledge. To address these challenges, we propose the Evidence-driven Radiology Report Generation Agent (EviAgent). Unlike opaque end-to-end paradigms, EviAgent coordinates a transparent reasoning trajectory by breaking down the complex generation process into granular operational units. We integrate multi-dimensional visual experts and retrieval mechanisms as external support modules, endowing the system with explicit visual evidence and high-quality clinical priors. Extensive experiments on MIMIC-CXR, CheXpert Plus, and IU-Xray datasets demonstrate that EviAgent outperforms both large-scale generalist models and specialized medical models, providing a robust and trustworthy solution for automated radiology report generation.
- Abstract（参考訳）: 自動放射線学レポート生成は、放射線技師の重労働負荷を軽減する大きな可能性を秘めている。
最近のMultimodal Large Language Models (MLLM) の強烈なビジョン言語能力にもかかわらず、その臨床展開は固有の制限によって厳しく制限されている。
これらの課題に対処するため,Evidence-driven Radiology Report Generation Agent (EviAgent)を提案する。
不透明なエンドツーエンドのパラダイムとは異なり、EviAgentは複雑な生成プロセスを細かい操作単位に分解することで透明な推論軌道を調整している。
我々は,多次元視覚専門家と検索機構を外部支援モジュールとして統合し,明示的な視覚的エビデンスと高品質な臨床経験をシステムに提供する。
MIMIC-CXR、CheXpert Plus、IU-Xrayデータセットに関する大規模な実験は、EviAgentが大規模なジェネラリストモデルと専門医療モデルの両方を上回り、自動放射線学レポート生成のための堅牢で信頼性の高いソリューションを提供することを示した。
関連論文リスト
- AI-Driven Radiology Report Generation for Traumatic Brain Injuries [0.0]
頭蓋外傷に適応した自動放射線診断レポート作成のためのAIベースのアプローチを提案する。
本稿では,AC-BiFPNとTransformerアーキテクチャを統合し,複雑な医用画像データのキャプチャと処理を行う。
RSNA脳内出血検出データセットを用いて,本モデルの性能評価を行った。
論文 参考訳（メタデータ） (2025-10-09T17:39:04Z) - A Multimodal Multi-Agent Framework for Radiology Report Generation [2.1477122604204433]
放射線診断レポート生成(RRG)は、医療画像から診断レポートを自動生成することを目的としている。
本稿では,段階的臨床推論ワークフローに適合するRRG用マルチモーダルマルチエージェントフレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-14T20:28:04Z) - CBM-RAG: Demonstrating Enhanced Interpretability in Radiology Report Generation with Multi-Agent RAG and Concept Bottleneck Models [1.7042756021131187]
本稿では,CBM(Concept Bottleneck Models)とRAG(Multi-Agent Retrieval-Augmented Generation)システムを組み合わせた自動放射線学レポート生成フレームワークを提案する。
CBMは胸部X線の特徴を人間の理解できない臨床概念にマッピングし、透明な疾患分類を可能にする。
RAGシステムはマルチエージェントのコラボレーションと外部知識を統合し、文脈的にリッチなエビデンスベースのレポートを生成する。
論文 参考訳（メタデータ） (2025-04-29T16:14:55Z) - D-Rax: Domain-specific Radiologic assistant leveraging multi-modal data and eXpert model predictions [8.50767187405446]
ドメイン固有の対話型無線支援ツールD-Raxを提案する。
我々は胸部X線(CXR)画像の会話解析を強化し,放射線学的報告を支援する。
オープン・エンド・会話とクローズド・会話の双方において,反応の統計的に有意な改善が認められた。
論文 参考訳（メタデータ） (2024-07-02T18:43:10Z) - 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) - Cross-Modal Causal Intervention for Medical Report Generation [107.76649943399168]
放射線医学報告生成(RRG)は, コンピュータ支援診断と薬剤指導に不可欠である。
視覚言語的バイアスによる急激な相関により、正確な病変記述の生成は依然として困難である。
我々はCrossModal Causal Representation Learning (CMCRL)という2段階のフレームワークを提案する。
IU-XrayとMIMIC-CXRの実験により、我々のCMCRLパイプラインは最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2023-03-16T07:23:55Z)
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。