論文の概要: Improving Health Literacy through Lay Summarization of Radiological Reports: An Evaluation of BioNER and Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2609.02396v1
• Date: Wed, 02 Sep 2026 10:06:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.230083
• Title: Improving Health Literacy through Lay Summarization of Radiological Reports: An Evaluation of BioNER and Retrieval-Augmented Generation
• Title（参考訳）: 放射線医学レポートのレイ要約による健康リテラシー向上:bioNERと検索世代の評価
• Abstract要約: 放射線学報告は主に臨床医向けに書かれており、その専門用語は患者にとって解釈が難しいことが多い。 多くの患者は、事実の不正確さや幻覚のリスクが十分に文書化されているにもかかわらず、彼らの報告を説明するために、公開されているLarge Language Models (LLMs)に目を向ける。 本研究では,レトリーバル拡張生成(RAG)と名前付きエンティティ認識(NER)が,自動生成されたレイサマリーの品質,事実整合性,可読性を改善するかを検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radiology reports are written primarily for clinicians, and their specialized terminology often makes them difficult for patients to interpret. As a result, many patients turn to publicly available Large Language Models (LLMs) to help explain their reports, despite well-documented risks of factual inaccuracies and hallucinations. Automated lay-summary generation has emerged as a promising alternative, yet the effectiveness of retrieval-enhanced and clinically informed approaches for radiology-specific communication remains underexplored. This study investigates the extent to which Retrieval-Augmented Generation (RAG) and Named Entity Recognition (NER) improve the quality, factual consistency, and readability of automatically generated lay summaries compared with standard LLM-based generation. We develop a framework combining NER-based extraction of clinically relevant findings with a RAG mechanism for contextual grounding, evaluated across few-shot and fine-tuned variants of two models (Qwen, BioBART). Results show that NER consistently improves readability and overall quality, while RAG alone offers no benefit and can introduce hallucinations from irrelevant retrieved terms. Combining RAG with NER degrades performance in few-shot settings but improves readability when fine-tuned. Fine-tuned BioBART with NER achieves the best overall performance, highlighting entity-aware extraction as the primary driver of improved patient-friendly summaries.
• Abstract（参考訳）: 放射線学報告は主に臨床医向けに書かれており、その専門用語は患者にとって解釈が難しいことが多い。 その結果、多くの患者は、事実の不正確さや幻覚のリスクが十分に文書化されているにもかかわらず、自身の報告を説明するために、利用可能なLarge Language Models (LLMs) に目を向けた。 オートマチック・レイ・サマー・ジェネレーションは有望な代替手段として現れてきたが、放射線学固有のコミュニケーションのための検索・臨床情報によるアプローチの有効性はいまだ検討されていない。 本研究では,レトリーバル拡張生成(RAG)と名前付きエンティティ認識(NER)が,標準LLM生成と比較して,自動生成レイサマリーの品質,事実整合性,可読性を向上させるかを検討する。 NERによる臨床所見の抽出と文脈的グラウンドディングのためのRAG機構を組み合わせたフレームワークを開発し,2つのモデル(Qwen, BioBART)の少数および微調整のバリエーションで評価した。 その結果、NERは読みやすさと全体的な品質を継続的に改善する一方、RAGだけでは利益が得られず、無関係に検索された用語から幻覚を導入することができることがわかった。 RAGとNERを組み合わせることで、数ショット設定でパフォーマンスが低下するが、微調整時に読みやすさが向上する。 NERを用いた微調整型BioBARTは、患者フレンドリーなサマリー改善の原動力としてエンティティ認識抽出を重要視し、全体的なパフォーマンスを最大限に向上させる。

関連論文リスト

• KEPIL: Knowledge-Enhanced Prompt-Image Learning for Prompt-Robust Disease Detection [6.447908430647854]
  放射線学的所見は、実際には長い尾を持つが、いくつかの条件は表現されておらず、ゼロショット推論が不可欠である。 我々は、ゼロショットの一般化を安定させるために、キュレートされた医療知識を統合するプロンプトロバストフレームワークであるtextitKEPILを提案する。
  論文  参考訳（メタデータ） (2026-05-09T19:29:01Z)
• Extracting OPQRST in Electronic Health Records using Large Language Models with Reasoning [3.486461799078777]
  本稿では,Large Language Models (LLM) の機能を活用して,EHRからOPQRSTアセスメントを抽出するための新しいアプローチを提案する。 本稿では,医師の認知過程を模倣する推論ステップをモデルに提供できるように,シーケンスラベリングからテキスト生成へタスクを再構成することを提案する。 当社のコントリビューションは、医療におけるAIの利用の大幅な進歩を示し、EHRからの情報抽出の正確性とユーザビリティを向上させるスケーラブルなソリューションを提供しています。
  論文  参考訳（メタデータ） (2025-09-02T02:21:02Z)
• Systematic FAIRness Assessment of Open Voice Biomarker Datasets for Mental Health and Neurodegenerative Diseases [0.0]
  音声バイオマーカーは、メンタルヘルスと神経変性疾患の非侵襲的な検出とモニタリングのための有望なツールである。 本稿では,27種類の音声バイオマーカーデータセットについて,初めて体系的FAIR評価を行った。 メンタルヘルスデータセットは、FAIRスコアにおいてより多様性を示し、神経変性データセットはわずかに一貫性があった。
  論文  参考訳（メタデータ） (2025-08-14T06:55:27Z)
• Knowledge Graph-Driven Retrieval-Augmented Generation: Integrating Deepseek-R1 with Weaviate for Advanced Chatbot Applications [45.935798913942904]
  構造化バイオメディカル知識と大規模言語モデル(LLM)を組み合わせた革新的なフレームワークを提案する。 本システムでは,年齢関連黄斑変性(AMD)に関する医学的要約から因果関係を同定・精査し,詳細な知識グラフを作成する。 ベクトルベース検索と局所展開言語モデルを用いて,臨床証拠を直接参照して,文脈的に関連性があり,検証可能な応答を生成する。
  論文  参考訳（メタデータ） (2025-02-16T12:52:28Z)
• RadAlign: Advancing Radiology Report Generation with Vision-Language Concept Alignment [10.67889367763112]
  RadAlignは、視覚言語モデルの予測精度と大きな言語モデルの推論能力を組み合わせた、新しいフレームワークである。 本フレームワークは, 幻覚の低減, 自動医用画像の進歩, 予測AIと生成AIの統合による報告分析を両立させながら, 強力な臨床解釈可能性を維持している。
  論文  参考訳（メタデータ） (2025-01-13T17:55:32Z)
• AutoRG-Brain: Grounded Report Generation for Brain MRI [57.22149878985624]
  放射線学者は、大量の画像を日々のベースで解釈し、対応するレポートを生成する責任を負う。 この要求される作業負荷は、人間のエラーのリスクを高め、治療の遅れ、医療費の増加、収益損失、運用上の不効率につながる可能性がある。 地盤自動報告生成(AutoRG)に関する一連の研究を開始した。 このシステムは、脳の構造の明細化、異常の局所化、そしてよく組織化された発見の生成をサポートする。
  論文  参考訳（メタデータ） (2024-07-23T17:50:00Z)
• Explainable Biomedical Hypothesis Generation via Retrieval Augmented Generation enabled Large Language Models [46.05020842978823]
  大規模言語モデル(LLM)はこの複雑なデータランドスケープをナビゲートする強力なツールとして登場した。 RAGGEDは、知識統合と仮説生成を伴う研究者を支援するために設計された包括的なワークフローである。
  論文  参考訳（メタデータ） (2024-07-17T07:44:18Z)
• RaTEScore: A Metric for Radiology Report Generation [59.37561810438641]
  本稿では,Radiological Report (Text) Evaluation (RaTEScore) として,新しい実体認識尺度を提案する。 RaTEScoreは、診断結果や解剖学的詳細などの重要な医療機関を強調し、複雑な医学的同義語に対して堅牢であり、否定表現に敏感である。 我々の評価は、RaTEScoreが既存の指標よりも人間の嗜好とより密接に一致していることを示し、確立された公開ベンチマークと、新たに提案したRaTE-Evalベンチマークの両方で検証した。
  論文  参考訳（メタデータ） (2024-06-24T17:49:28Z)
• HistGen: Histopathology Report Generation via Local-Global Feature Encoding and Cross-modal Context Interaction [16.060286162384536]
  HistGenは、病理組織学レポート生成のための学習可能なフレームワークである。 スライド画像全体(WSI)と局所的およびグローバルな粒度からの診断レポートを整列させることで、レポート生成を促進することを目的としている。 WSIレポート生成実験の結果,提案手法は最先端モデル(SOTA)よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2024-03-08T15:51:43Z)
• 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)
• 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)
• Improving Factual Completeness and Consistency of Image-to-Text Radiology Report Generation [26.846912996765447]
  我々は,事実的完全かつ一貫した放射線学報告の創出を促進するために,新たな2つの簡単な報奨制度を導入する。 私たちのシステムでは,ベースラインよりも現実的に完全で一貫性のある世代が生まれることが示されています。
  論文  参考訳（メタデータ） (2020-10-20T05:42:47Z)

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。