論文の概要: Graph-Supervised Hierarchical Clinical Alignment for Radiology Report Generation with Large Language Models

• arxiv url: http://arxiv.org/abs/2608.24121v1
• Date: Tue, 25 Aug 2026 06:32:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.847021
• Title: Graph-Supervised Hierarchical Clinical Alignment for Radiology Report Generation with Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた放射線学レポート作成のためのグラフ監督型階層的臨床適応
• Authors: Yingshu Li, Yunyi Liu, Zhanyu Wang, Zailong Chen, Lingqiao Liu, Lei Wang, Luping Zhou,
• Abstract要約: Graph-Hierarchicald Supervised Clinical Alignmentは、階層的な臨床アライメント問題としてイメージレポートの監督を再構築する。 本手法は, このアライメントを, 管理を2つのレベルに分解した疾患条件付きプロセスとして構成する。 MIMIC-CXR,IU-Xray,COV-CTRを用いた実験により,本手法は従来と臨床の両方の指標における性能を一貫して改善することが示された。
• 参考スコア（独自算出の注目度）: 46.202482780666635
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radiology report generation (RRG) has recently benefited from large language models, which substantially improve report fluency. However, clinically faithful generation remains challenging because current supervision is still imposed mostly at the report level. This creates a granularity mismatch: radiology reports are composed of disease-grounded findings, while existing methods are trained mainly with whole-report objectives. To address this problem, we propose Graph-Supervised Hierarchical Clinical Alignment, which reformulates image-report supervision as a hierarchical clinical alignment problem. Our method structures this alignment as a disease-conditioned process, where supervision is decomposed into two levels: Disease-Centric Alignment for fine-grained disease-specific correspondence, and Global Clinical Semantic Alignment for report-level semantic coherence. A clinical knowledge graph is used as a training-time-only structural prior that defines disease-specific supervision units and their clinical relationships, introducing no additional overhead at inference. Because standard contrastive alignment could produce false negatives when studies share overlapping pathologies, we combine instance-conditioned discriminative matching with disease-conditioned soft regularization, enabling fine-grained yet clinically consistent cross-modal representations. Experiments on MIMIC-CXR, IU-Xray, and COV-CTR show that our method consistently improves performance on both conventional and clinical metrics. Notably, our 3B model surpasses several prior systems with larger 7B/13B backbones, suggesting that improving supervision structure, rather than increasing model size, can be more effective for RRG.
• Abstract（参考訳）: ラジオロジーレポート生成(RRG)は近年,レポートの流速を大幅に改善する大規模言語モデルの恩恵を受けている。 しかしながら、現在の監督は依然として報告レベルで課されているため、臨床的に忠実な世代は依然として困難なままである。 放射線学の報告は病原体から成り立っており、既存の手法は主に報告対象として訓練されている。 この問題を解決するために,階層的臨床アライメント問題として,画像レポートの監督を再構築するグラフスーパービジョン型階層的臨床アライメントを提案する。 本手法は, このアライメントを疾患条件付きプロセスとして構成し, 管理を細粒度対応のための疾患中心アライメントと, 報告レベルのセマンティックアライメントのグローバル臨床セマンティックアライメントの2つのレベルに分解する。 臨床知識グラフは、疾患固有の管理単位とその臨床関係を定義し、推論時に追加のオーバーヘッドを生じさせない訓練時間のみの構造として使用される。 標準的なコントラストアライメントは、重複する病態を共有するときに偽陰性を引き起こす可能性があるため、インスタンス条件の識別的マッチングと疾患条件のソフト正規化を組み合わせ、細粒度で臨床的に整合したクロスモーダル表現を可能にする。 MIMIC-CXR,IU-Xray,COV-CTRを用いた実験により,本手法は従来と臨床の両方の指標における性能を一貫して改善することが示された。 特に,我々の3Bモデルは,より大型の7B/13Bバックボーンを持つ先行システムよりも優れており,モデルサイズを増大させるのではなく,監視構造の改善がRRGに有効であることを示唆している。

関連論文リスト

• PathReportEval: A Systematic Benchmark for Pathology Report Generation [5.733136272690028]
  本稿では,病理報告生成のための標準化されたベンチマークと評価フレームワークを提案する。 このフレームワークは、事前処理、特徴抽出、トレーニング、復号化、評価を標準化する。 臨床報告品質スコア(英: Clinical Report Quality Score, CRQS)は、事実の正確性を評価するための臨床基準である。
  論文  参考訳（メタデータ） (2026-07-20T18:59:47Z)
• Analyzing and Improving Fine-grained Preference Optimization in Medical LVLMs [53.697403481143404]
  LVLM(Large Vision-Language Models)は、医用画像処理タスクにおいて強力なパフォーマンスを実現している。 しかし、実際の不整合、視力の低下、臨床的に有意義なフィードバックによる不一致が続く傾向にある。
  論文  参考訳（メタデータ） (2026-06-10T18:35:36Z)
• CWCD: Category-Wise Contrastive Decoding for Structured Medical Report Generation [5.6071155906499115]
  Category-Wise Contrastive Decoding (CWCD)は、構造化ラジオロジーレポート生成(SRRG)を強化するために設計された、新しくモジュール化されたフレームワークである。 CWCDは、臨床効果と自然言語生成の指標の両方において、ベースライン法を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-04-12T02:10:28Z)
• Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
  MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。 消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。 本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-21T07:47:37Z)
• Aligning Findings with Diagnosis: A Self-Consistent Reinforcement Learning Framework for Trustworthy Radiology Reporting [37.57009831483529]
  MLLM(Multimodal Large Language Models)は放射線学レポート生成に強い可能性を示している。 本フレームワークは, より詳細な発見のための思考ブロックと, 構造化された疾患ラベルに対する回答ブロックという, 生成を2つの異なる構成要素に再構成する。
  論文  参考訳（メタデータ） (2026-01-06T14:17:44Z)
• 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)
• 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)
• Cross-modal Clinical Graph Transformer for Ophthalmic Report Generation [116.87918100031153]
  眼科報告生成(ORG)のためのクロスモーダルな臨床グラフ変換器(CGT)を提案する。 CGTは、デコード手順を駆動する事前知識として、臨床関係を視覚特徴に注入する。 大規模FFA-IRベンチマークの実験は、提案したCGTが従来のベンチマーク手法より優れていることを示した。
  論文  参考訳（メタデータ） (2022-06-04T13:16:30Z)

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。