論文の概要: Spatio-Temporal and Clinical Conditioning for Fine-Grained Radiology Report Retrieval

• arxiv url: http://arxiv.org/abs/2607.02024v1
• Date: Thu, 02 Jul 2026 10:54:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.79656
• Title: Spatio-Temporal and Clinical Conditioning for Fine-Grained Radiology Report Retrieval
• Title（参考訳）: 微粒化放射線診断における時空間条件と臨床条件の検討
• Abstract要約: マルチモーダルで注意深い放射線学レポート生成フレームワークSTAR3を紹介する。 本フレームワークは,現在臨床状況と先行検診と現在検診の経時的変化を条件に,意味的関連性のある報告文を検索する。 MIMIC-XRデータセットの実験により、STAR3は検索、NLP、臨床メトリクスにおける現在の検索ベースアプローチよりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radiology is vital to modern healthcare, but rising imaging demand and persistent workforce shortages strain reporting capacity and clinical workflows. Automated radiology report generation has the potential to support radiologists and help alleviate this burden; however, existing retrieval-based methods remain rigid, lack explicit anatomical grounding, and do not account for longitudinal disease progression or available clinical context. In this work, we introduce STAR3, a multimodal, spatio-temporal, attentive retrieval framework for radiology report generation that aligns region-level anatomical information with clinical indications and longitudinal changes across chest X-ray studies. Our framework employs an object detector to identify anatomically meaningful regions and retrieves semantically relevant report sentences conditioned on both current clinical context and changes observed between prior and current examinations. This design enables anatomically and temporally grounded report generation that better reflects clinical reporting practice. Experiments on the MIMIC-CXR dataset demonstrate that STAR3 outperforms current retrieval-based approaches on retrieval, NLP and clinical metrics, highlighting the value of conditioning retrieval anatomically, temporally and clinically for advancing automated radiology report generation.
• Abstract（参考訳）: 放射線医学は現代の医療にとって不可欠であるが、画像の需要の増加と持続的な労働力は、ストレス報告能力と臨床ワークフローを欠いている。 自動放射線学レポート生成は、放射線科医を支援する可能性があり、この負担を軽減するのに役立つが、既存の検索ベースの手法は厳格であり、解剖学的根拠を欠いている。 本研究は,胸部X線検査における領域レベルの解剖学的情報と臨床徴候および経時的変化とを一致させる放射線診断レポート生成のための多モーダル・時空間・注意的検索フレームワークSTAR3について紹介する。 本フレームワークでは, 解剖学的に有意な領域を同定し, 現在の臨床状況と, 先行検診と現在検診の双方で観察されている変化に基づいて, 意味的関連のある報告文を検索する。 この設計は、臨床報告の実践をよりよく反映した解剖学的および時間的根拠のあるレポート生成を可能にする。 MIMIC-CXRデータセットの実験では、STAR3は検索、NLP、臨床メトリクスにおける現在の検索ベースアプローチよりも優れており、自動放射線診断レポート生成の進歩のために、解剖学的、時間的、臨床的に条件付け検索の価値を強調している。

関連論文リスト

• Concept-Grounded Reasoning with Prompt-Driven Localization for Interpretable Structured Report Generation [66.62662330558906]
  CORALは、空間的接地と概念レベルの監督を統一的な推論プロセスに統合するマルチモーダルフレームワークである。 コーラルは、疾患の局所化とコンセプション・ボトルネックモジュールによる多クラス臨床属性の予測のために、プロンプト駆動型医療セグメンテーションモデルを採用している。 BUS-CoTとIU X線データセットの実験では、診断精度、概念整合性、報告品質が強力な汎用および医療MLLMよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-09-14T10:21:23Z)
• Harrison.Rad 1.5 Technical Report: A radiology foundation model that can draft reports from images, priors and clinical context [0.6070952062639758]
  Harrison.Rad 1.5 (HR1.5) は、インターリーブテキストと視覚入力を受け入れる、放射線学固有の多モード大言語モデルである。 胸部, 胸部, 筋骨格, 腹部, 脊椎, 骨盤X線, マンモグラフィにまたがる非構造的, 構造的テキストを生成する。 HR1.5は、ラジオロジーレポートに基づくベース言語モデルのドメイン適応、カリキュラムベースのハードネガティブを用いたコントラスト視覚エンコーダトレーニング、マルチターン会話におけるビジュアルクエスト答えの微調整という3段階のパイプラインを通じてトレーニングされる。
  論文  参考訳（メタデータ） (2026-07-07T06:23:08Z)
• A unified multi-task framework enables interpretable chest radiograph analysis [35.74517495754825]
  IMT-CXRは、放射線医の診断ワークフローをエミュレートするフレームワークである。 このフレームワークは医療ドメイン命令チューニングによって最適化された統一トランスフォーマーアーキテクチャを採用している。 3人の放射線学者は、AIが生成した報告の66%を、診断の明確さにおける元の臨床報告に匹敵する、または超えると評価した。
  論文  参考訳（メタデータ） (2026-06-02T10:02:15Z)
• AgentsEval: Clinically Faithful Evaluation of Medical Imaging Reports via Multi-Agent Reasoning [73.50200033931148]
  本稿では,放射線科医の協調診断ワークフローをエミュレートしたマルチエージェントストリーム推論フレームワークであるAgensEvalを紹介する。 評価プロセスを基準定義、エビデンス抽出、アライメント、一貫性スコアなどの解釈可能なステップに分割することで、AgensEvalは明確な推論トレースと構造化された臨床フィードバックを提供する。 実験結果から,AgensEvalは,言い換え,意味的,スタイリスティックな摂動の下でも頑健な臨床的整合性,意味的忠実性,解釈可能な評価を提供することが示された。
  論文  参考訳（メタデータ） (2026-01-23T11:59:13Z)
• PriorRG: Prior-Guided Contrastive Pre-training and Coarse-to-Fine Decoding for Chest X-ray Report Generation [12.860257420677122]
  PriorRGは胸部X線レポート生成フレームワークで、2段階のトレーニングパイプラインを通じて実際の臨床をエミュレートする。 ステージ1では,臨床文脈の時間的特徴抽出を利用した事前指導型コントラスト事前訓練方式を導入する。 ステージ2では、視覚エンコーダの隠蔽状態との事前知識を高めるために、事前認識された粗時間デコーディングを統合する。
  論文  参考訳（メタデータ） (2025-08-07T13:02:20Z)
• Anatomy-Guided Radiology Report Generation with Pathology-Aware Regional Prompts [3.1019279528120363]
  生成AIを報告する放射線学は、臨床ワークロードを緩和し、医療を合理化するための大きな可能性を秘めている。 既存のシステムは、固定サイズ、パッチレベルの画像特徴、病理情報の組み入れが不十分なため、しばしば不足する。 本稿では,病的・病態的情報を多種多様な尺度で明確に統合するために,病理学的に認識された地域的プロンプトを活用する革新的なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-16T12:36:20Z)
• 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)
• Large Model driven Radiology Report Generation with Clinical Quality Reinforcement Learning [16.849933628738277]
  放射線学報告生成 (RRG) は, 放射線技師の作業量削減の可能性から注目されている。 本稿では,新しいRRG法である textbfLM-RRG について紹介する。 MIMIC-CXRおよびIU-Xrayデータセットを用いた実験により,本手法が技術状況よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-11T13:47:11Z)
• 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)
• 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)
• Exploring and Distilling Posterior and Prior Knowledge for Radiology Report Generation [55.00308939833555]
  PPKEDには、Posterior Knowledge Explorer (PoKE), Prior Knowledge Explorer (PrKE), Multi-domain Knowledge Distiller (MKD)の3つのモジュールが含まれている。 PoKEは後部知識を探求し、視覚データのバイアスを軽減するために明確な異常な視覚領域を提供する。 PrKEは、以前の医学知識グラフ(医学知識)と以前の放射線学レポート(作業経験)から以前の知識を探り、テキストデータのバイアスを軽減する。
  論文  参考訳（メタデータ） (2021-06-13T11:10:02Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)

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。