論文の概要: ASTAR: Automated induction of STAndardized radiology Reporting templates from large-scale clinical free-text corpora

• arxiv url: http://arxiv.org/abs/2608.20369v1
• Date: Fri, 19 Jun 2026 04:38:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.28617
• Title: ASTAR: Automated induction of STAndardized radiology Reporting templates from large-scale clinical free-text corpora
• Title（参考訳）: ASTAR:STAndardized Radiology Reporting templatesの大規模臨床自由テキストコーパスからの自動誘導
• Abstract要約: 構造化レポートは、フリーテキストのラジオグラフィー物語をクエリ可能なデータキーに変換し、コホートアセンブリ、縦方向追跡、医療AIのためのトレーニングラベル生成を容易にする。 大規模臨床自由テキストコーパスからSTAndardized Radiologyを自動誘導するためのLLMベースのフレームワークであるtextbftextttASTARを紹介した。
• 参考スコア（独自算出の注目度）: 23.461234173597433
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Structured reporting converts free-text radiology narratives into queryable data keys, facilitating cohort assembly, longitudinal tracking, and training label generation for medical AI. The prevailing paradigm follows a two-stage pipeline: (1) constructing a reporting template, (2) extracting information to populate it. While the extraction stage has benefited from advances in large language models (LLMs), template construction remains a manual bottleneck relying on labor-intensive expert consensus that is static, difficult to scale, and may fail to capture real-world reporting diversity. We address this limitation with \textbf{\texttt{ASTAR}}, an LLM-based framework for Automated induction of STAndardized radiology Reporting templates from large-scale clinical free-text corpora. Extensive experiments on 4,215 fetal brain MRI reports from multiple centers demonstrate that the \textbf{\texttt{ASTAR}}-induced template surpasses two expert-curated templates across template coverage, information fidelity, diagnostic fidelity, and expert-rated usability, reducing template development from weeks of committee deliberation to hours of automated processing. Code: https://github.com/birthlab/ASTAR
• Abstract（参考訳）: 構造化レポートは、フリーテキストのラジオグラフィー物語をクエリ可能なデータキーに変換し、コホートアセンブリ、縦方向追跡、医療AIのためのトレーニングラベル生成を容易にする。 一般的なパラダイムは,(1)レポートテンプレートの構築,(2)情報を抽出してポップアップする,という2段階のパイプラインに従っている。 抽出段階は、大規模言語モデル(LLM)の進歩から恩恵を受けているが、テンプレート構築は、静的でスケールが難しく、現実世界のレポートの多様性を捉えるのに失敗する、労働集約的な専門家のコンセンサスに依存する手作業によるボトルネックのままである。 大規模臨床自由テキストコーパスからのSTAndardized Radiology Reporting templateの自動誘導のためのLLMベースのフレームワークである‘textbf{\texttt{ASTAR}}により,この制限に対処する。 複数のセンターから4,215回の胎児脳MRIレポートに対する大規模な実験により、 \textbf{\textt{ASTAR}} によるテンプレートは、テンプレートカバレッジ、情報忠実性、診断忠実性、専門家評価のユーザビリティの2つの専門家キュレートされたテンプレートを超越し、数週間の委員会審議から数時間の自動処理までテンプレートの開発を減らすことが示されている。 コード:https://github.com/birthlab/ASTAR

関連論文リスト

• Prototype-Based Knowledge Guidance for Fine-Grained Structured Radiology Reporting [38.099210693806526]
  ProtoSRは、構造化されたレポートに自由テキスト情報を注入するためのアプローチである。 まず,80k以上のMIMIC-CXR研究をマイニングするために,命令調整LDMを用いた自動抽出パイプラインを導入する。 この知識ベースを用いて、ProtoSRは現在の画像検索ペアに関連するプロトタイプを検索し、プロトタイプ条件の残差を通じてモデル予測を増強するように訓練されている。
  論文  参考訳（メタデータ） (2026-03-12T13:51:13Z)
• Leveraging Generative Models for Real-Time Query-Driven Text Summarization in Large-Scale Web Search [54.987957691350665]
  クエリ駆動テキスト要約(QDTS)は、与えられたクエリに基づいてテキスト文書から簡潔で情報的な要約を生成することを目的としている。 従来の抽出的要約モデルは、主にランク付け候補の要約セグメントに基づいており、産業応用において支配的なアプローチとなっている。 産業Web検索におけるリアルタイムQDTSに対処するための生成モデルの適用を開拓するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-28T08:51:51Z)
• $μ^2$Tokenizer: Differentiable Multi-Scale Multi-Modal Tokenizer for Radiology Report Generation [9.947108972979155]
  我々は,放射線学レポート生成タスクのための大規模言語モデルとして,$mu2$LLM, a $underlinetextbfmu$ltiscale $underlinetextbfmu$ltimodalを提案する。 中間層である$mu2$Tokenizerは、マルチスケールのビジュアルトークンライザとテキストトークンライザのマルチモーダル機能を統合したものである。 そこで我々は,5段階のLCM駆動パイプラインを導入し,定期的なCTレポートを3重対の視覚質問応答と引用リンク推論の物語に変換する。
  論文  参考訳（メタデータ） (2025-06-30T23:14:49Z)
• Development and Validation of a Large Language Model for Generating Fully-Structured Radiology Reports [7.842592769802466]
  完全に構造化されたレポートを作成するための現在のLLMは、外部サーバにデータをアップロードする際のエラー、コンテンツ幻覚、プライバシー漏洩といった問題に直面している。 我々は,各機関の様々な自由テキストレポートから完全に構造化され,標準化されたLCSレポートを作成するための,オープンソースで正確なLCMを開発することを目的としている。
  論文  参考訳（メタデータ） (2024-09-26T21:59:11Z)
• Extracting and Encoding: Leveraging Large Language Models and Medical Knowledge to Enhance Radiological Text Representation [31.370503681645804]
  自由テキストラジオグラフィーレポートから高品質な事実文を抽出するための新しい2段階フレームワークを提案する。 我々のフレームワークには胸部X線テキスト生成システムを評価するための新しい埋め込みベースのメトリクス(CXRFE)も含まれている。
  論文  参考訳（メタデータ） (2024-07-02T04:39:19Z)
• PathLDM: Text conditioned Latent Diffusion Model for Histopathology [62.970593674481414]
  そこで我々は,高品質な病理像を生成するためのテキスト条件付き遅延拡散モデルPathLDMを紹介した。 提案手法は画像とテキストデータを融合して生成プロセスを強化する。 我々は,TCGA-BRCAデータセット上でのテキスト・ツー・イメージ生成において,SoTA FIDスコア7.64を達成し,FID30.1と最も近いテキスト・コンディショナブル・コンペティタを著しく上回った。
  論文  参考訳（メタデータ） (2023-09-01T22:08:32Z)
• Automated Labeling of German Chest X-Ray Radiology Reports using Deep Learning [50.591267188664666]
  本稿では,ルールベースのドイツ語CheXpertモデルによってラベル付けされたレポートに基づいて,ディープラーニングに基づくCheXpertラベル予測モデルを提案する。 その結果,3つのタスクすべてにおいて,ルールベースモデルを大幅に上回ったアプローチの有効性が示された。
  論文  参考訳（メタデータ） (2023-06-09T16:08:35Z)
• Students Need More Attention: BERT-based AttentionModel for Small Data with Application to AutomaticPatient Message Triage [65.7062363323781]
  BioBERT (Bidirectional Representations from Transformers for Biomedical Text Mining) に基づく新しいフレームワークを提案する。 LESA-BERTと呼ぶBERTの各層にラベル埋め込みを導入し、(ii)LESA-BERTを小さな変種に蒸留することにより、小さなデータセットで作業する際のオーバーフィッティングとモデルサイズを低減することを目指す。 アプリケーションとして,本フレームワークを用いて,患者ポータルメッセージトリアージのモデルを構築し,メッセージの緊急度を非緊急度,中度度,緊急度という3つのカテゴリに分類する。
  論文  参考訳（メタデータ） (2020-06-22T03:39:00Z)

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。