論文の概要: The Slop Paradox: How Synthetic Standardization Erodes Clinical Uncertainty and Cross-Modal Alignment in AI-Rewritten Radiology Reports

• arxiv url: http://arxiv.org/abs/2606.17791v1
• Date: Tue, 16 Jun 2026 11:07:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.39687
• Title: The Slop Paradox: How Synthetic Standardization Erodes Clinical Uncertainty and Cross-Modal Alignment in AI-Rewritten Radiology Reports
• Title（参考訳）: 傾斜パラドックス:AIリライト放射線学報告における臨床不確かさと横断的アライメントの標準化の方法
• Authors: Samar Ansari,
• Abstract要約: インディアナ大学のデータセットから450個の胸部X線レポートを用いて、3つのリアルな書き換えタスクによって合成版を生成する。 我々は, 実体浸食(医学的NER), ヘッジ崩壊(臨床不確実性言語の欠如), クロスモーダルアライメント劣化を測定した。 劣化の主要な要因は、臨床内容ではなく、AI書き換えタスクの種類である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: AI-assisted clinical documentation tools increasingly summarize, standardize, and reformat radiology reports using large language models (LLMs). We present a controlled measurement of the resulting information degradation. Using 450 chest X-ray reports from the Indiana University dataset, we generate synthetic versions via three realistic LLM rewriting tasks: EHR summarization, standardized rewriting, and teaching case preparation. We measure entity erosion (via medical NER), hedging collapse (loss of clinical uncertainty language), and cross-modal alignment degradation (via BiomedCLIP image-text similarity). Our central finding is a dissociation between information loss and cross-modal fidelity. EHR summarization is the most destructive at the content level, eroding 51.4% of clinical entities and 43.7% of hedging language, yet it preserves image-text alignment almost entirely (a 2.5% drop). The two tasks meant to produce cleaner training data, standardized rewriting and teaching case preparation, do the reverse: they preserve more entities (26.8% and 29.3% eroded) but cause 14.9-16.5% alignment drops, six to seven times those of EHR summarization. We term this the slop paradox: rewriting that makes clinical text look cleaner for multimodal training is precisely what pulls it away from the image. Contrary to our pre-specified hypothesis, rare pathologies were not preferentially degraded: across nine rare-versus-common comparisons, no difference survived multiple-comparison correction, and nominal differences ran in the opposite direction (common > rare), so contamination is invisible to condition-specific monitoring. The dominant determinant of degradation is the type of AI rewriting task, not the clinical content. These findings bear on multimodal medical AI dataset construction and the governance of AI-assisted clinical documentation.
• Abstract（参考訳）: AI支援の臨床ドキュメントツールは、大型言語モデル(LLMs)を使用した放射線学レポートの要約、標準化、改革をますます進めている。 得られた情報劣化の制御された測定結果を示す。 インディアナ大学のデータセットから450個の胸部X線レポートを用いて、3つの現実的なLCM書き換えタスク(EHR要約、標準化された書き換え、ケース準備)を通して合成版を生成する。 我々は, 実体浸食(医療NER), ヘッジ崩壊(臨床不確実性の欠如), クロスモーダルアライメント劣化(バイオメディカルCLIP画像とテキストの類似性)を測定した。 我々の中心的な発見は、情報損失とモーダル間の忠実さの解離である。 EHRの要約は内容レベルでは最も破壊的であり、51.4%の臨床的実体と43.7%のヘッジ言語を侵食するが、画像テキストのアライメントはほぼ完全に保存されている(2.5%の減少)。 2つのタスクは、よりクリーンなトレーニングデータ、標準化された書き直しと教育用ケースの準備を作成することを目的としており、さらに多くのエンティティ(26.8%と29.3%の浸食)を保存しているが、14.9-16.5%のアライメントが減少し、EHRの総和の6倍から7倍になる。 クリニカルテキストをマルチモーダルトレーニングのためにきれいに見せる書き換えは、正確にイメージから引き離すものなのです。 先行した仮説とは対照的に,9つのまれ-逆-共通比較では,差は多重比較補正に留まらず,名目差は反対方向(共通>稀)で発生していたため,条件別モニタリングでは検出できない。 劣化の主要な要因は、臨床内容ではなく、AI書き換えタスクの種類である。 これらの知見は、マルチモーダル医療用AIデータセットの構築と、AI支援臨床ドキュメントのガバナンスに関するものである。

関連論文リスト

• ProtoMedAgent: Multimodal Clinical Interpretability via Privacy-Aware Agentic Workflows [7.27267618572654]
  ProtoMedAgentは、反復的なゼロ段階のテスト時間最適化問題としてマルチモーダルな臨床報告を定式化する。 オンライン生成は、厳密な集合論微分と反射的スクリーブ・クリティカルループによって制限される。 ProtoMedAgentは91.2%の比較集合Fithfulnessを実現し、標準RAG(46.2%)を根本的に上回る
  論文  参考訳（メタデータ） (2026-05-13T20:57:37Z)
• Self-Supervised Learning for Knee Osteoarthritis: Diagnostic Limitations and Prognostic Value of Hospital Data [44.60673645733936]
  自己教師あり学習(SSL)は、診断と予後のための膝関節症(OA)モデルを改善する。 我々は,OAI,MOST,NYUコーホーツの膝X線写真で事前訓練された画像のみSSLと,(ii)病院膝X線写真で事前訓練されたマルチモーダル画像テキストSSLと,放射線学的印象との組み合わせを比較した。 Kellgren-Lawrence (KL)グレードの診断では、SSLは混合結果を得た。
  論文  参考訳（メタデータ） (2026-03-26T00:33:55Z)
• CURE: Curriculum-guided Multi-task Training for Reliable Anatomy Grounded Report Generation [46.0800756149113]
  CUREは医療ビジョン言語モデルのためのエラー対応カリキュラム学習フレームワークである。 フレーズ接地、接地レポート生成、解剖学的接地レポート生成に関するマルチモーダル指導モデルを微調整する。 CUREは接地精度を+0.37 IoUで改善し、レポート品質を+0.188 CXRFEScoreで改善し、幻覚を18.6%減らす。
  論文  参考訳（メタデータ） (2026-01-21T19:19:41Z)
• AI-generated data contamination erodes pathological variability and diagnostic reliability [16.066388735910074]
  この自己参照サイクルは, 人体検査が必須でない場合に, 病的変動と診断信頼性の急激な侵食を引き起こすことを示す。 我々の結果は、政策管理された人間の監視がなければ、生成的AIの展開は、それが依存する医療データエコシステムを劣化させる恐れがあることを示唆している。
  論文  参考訳（メタデータ） (2026-01-19T10:54:03Z)
• Using Large Language Models To Translate Machine Results To Human Results [0.0]
  本研究では,胸部X線画像の異常検出にYOLOv5とYOLOv8を併用したパイプラインと,大規模言語モデル(LLM)を用いて,自然言語ラジオロジーレポートを生成する。 その結果、AIと人的報告のセマンティックな類似性が強く、人間による評価ではGPT-4は明快さ(4.88/5)に優れるが、自然な筆記フロー(2.81/5)では低いスコアを示す。
  論文  参考訳（メタデータ） (2025-12-30T23:32:04Z)
• One-shot synthesis of rare gastrointestinal lesions improves diagnostic accuracy and clinical training [45.49415063761575]
  EndoRareは、単一の参照画像から多種多様な高忠実度病変を合成する、ワンショットでリトレーニング不要な生成フレームワークである。 われわれはこの枠組みを4つの稀な病理から検証した。 これらの結果は, コンピュータ支援診断と臨床教育の両方において, 希少なギャップを埋める実践的でデータ効率のよい方法を確立している。
  論文  参考訳（メタデータ） (2025-12-30T15:07:09Z)
• Doctor Approved: Generating Medically Accurate Skin Disease Images through AI-Expert Feedback [38.02278639161175]
  本稿では,データ拡張のための臨床的精度の高い皮膚疾患像を合成する新しいフレームワークMAGICを提案する。 提案手法は,専門家定義基準を,DM画像合成のための実用的なフィードバックに創造的に変換する。
  論文  参考訳（メタデータ） (2025-06-14T03:15:09Z)
• 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)
• MedDistant19: A Challenging Benchmark for Distantly Supervised Biomedical Relation Extraction [19.046156065686308]
  遠隔監視は、注釈付きデータの不足に対処するために一般的に使用される。 バイオDSREモデルは、いくつかのベンチマークで非常に正確な結果が得られるように見える。 しかし,タスクの難易度を考慮し,このような印象的な結果の有効性について検討した。
  論文  参考訳（メタデータ） (2022-04-10T22:07:25Z)

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。