論文の概要: TALON: A Temporally Aware Longitudinal Framework for Radiology Report Generation

• arxiv url: http://arxiv.org/abs/2609.20826v1
• Date: Wed, 22 Jul 2026 12:55:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.677012
• Title: TALON: A Temporally Aware Longitudinal Framework for Radiology Report Generation
• Title（参考訳）: talon: 放射線学レポート生成のための時系列フレームワーク
• Abstract要約: 現在の放射線学報告生成(RRG)モデルは、通常、単一の検査または最新の検査のみに基づいて記述的なレポートを生成する。 変数長の患者履歴を適応的に統合する一時認識型LONgitudinal RRGフレームワークであるTALONを提案する。 MIMIC-CXRの実験は、TALONが様々な臨床効果とグラフベースの測定値において、最先端の手法よりも優れていることを示している。
• 参考スコア（独自算出の注目度）: 6.30909969591373
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current radiology report generation (RRG) models usually produce descriptive reports based on a single examination or only the most recent prior examination, limiting their ability to perform accurate and meaningful longitudinal comparisons and detect subtle interval changes. Although recent approaches have begun to incorporate multiple prior examinations, they usually aggregate a fixed-length history without explicitly modeling the role-dependent relevance of each prior examination before fusion. To address this, we propose TALON, a Temporally Aware LONgitudinal RRG framework that adaptively integrates variable-length patient histories. The underlying Dual-Channel Temporal Fusion Module (DCTFM) compares the current examination with each prior examination through complementary similarity and change channels to capture persistent findings and interval changes, respectively. The specially designed channel-specific attention estimates the relevance of each prior examination, while a learned prior-specific gate adaptively integrates informative longitudinal evidence and suppresses redundancy. Experiments on MIMIC-CXR show that TALON outperforms the current state-of-the-art method on various clinical efficacy and graph-based metrics. When more prior examinations become available, TALON's performance on these metrics improves even further, emphasizing the strength of TALON's DCTFM in modeling longitudinal RRG across longer and more complex patient histories than existing approaches.
• Abstract（参考訳）: 現在の放射線学報告生成(RRG)モデルは、通常、単一の検査または最新の検査のみに基づいて記述的なレポートを生成し、正確で意味のある縦断的な比較を行い、微妙な間隔変化を検出する能力を制限する。 最近のアプローチでは、複数の先行試験が組み込まれ始めているが、通常は、融合前の各前の試験の役割依存的関連性を明示的にモデル化することなく、固定長の履歴を集約する。 そこで本研究では,変数長の患者履歴を適応的に統合するリアルタイムLONgitudinal RRGフレームワークであるTALONを提案する。 基礎となるDual-Channel Temporal Fusion Module (DCTFM) は、相補的な類似性や変化チャネルを通じて、各試験と現在の試験を比較して、持続的な発見と間隔の変化を捉えている。 特別に設計されたチャンネル固有の注意は、各事前試験の関連性を推定し、学習済みの事前特定ゲートは、情報的縦断的証拠を適応的に統合し、冗長性を抑える。 MIMIC-CXRの実験は、TALONが様々な臨床効果とグラフベースの測定値において、最先端の手法よりも優れていることを示している。 より事前の検査が利用可能になると、talonのこれらの測定値のパフォーマンスはさらに向上し、talonのDCTFMが、従来のアプローチよりも長い、より複雑な患者の履歴をモデリングする上での長手RRGの強さを強調した。

関連論文リスト

• STRIVE: Multi-Agent Structured Temporal Reasoning with Integrated Verification for Longitudinal Radiology Report Generation [16.079764988150306]
  STRIVEは、臨床推論を専門的な診断、属性、時間変化剤に分解する。 経時的MIMICでは, STRIVEが近年の方法の中で最も有効である。
  論文  参考訳（メタデータ） (2026-08-25T08:43:15Z)
• CT-$Δ$Bench: A Benchmark for Longitudinal 3D Medical Imaging Difference Reporting with Vision-Language Models [21.022823890203597]
  縦断的画像差分報告とは、あるモデルが、同じ患者から2つの時間的に分離されたスキャンを受け取り、臨床的に有意義な報告を生成するタスクである。 患者レベル分割による情報漏洩防止のための専用ベンチマークであるCT-$Benchを紹介する。 また,臨床的に有意な経年変化を捉え,医師の独立した検証を行うための変化認識尺度も開発した。
  論文  参考訳（メタデータ） (2026-08-12T00:55:31Z)
• ALTER: Modeling Longitudinal Changes via Regional Differencing for 3D CT Report Generation [2.9905735389905153]
  解剖学的に局在した時間的エビデンス表現(ALTER) General Prior Integration (GPI) は、CTを取り入れ、現在の検査の歴史的文脈を確立するために報告する。 Regional Proxy Difference (RPD)により、各解剖学的領域は、前のボリュームの単一の共有符号化から歴史的プロキシを検索し、局所化された間隔の証拠を導き出すことができる。 Interval Change Fusion (ICF) は、地域差のある現在の異常状態を変化認識ソフトプロンプトに変換し、レポート生成を誘導する。
  論文  参考訳（メタデータ） (2026-08-06T05:27:38Z)
• A Review of Longitudinal Radiology Report Generation: Dataset Composition, Methods, and Performance Evaluation [44.033992726928034]
  本調査は, 縦断的放射線診断レポート生成(LRRG)の総括的検討である。 提案手法は, データセット構築戦略, レポート生成アーキテクチャ, 縦に調整された設計, 評価プロトコルについて検討する。 我々は、今後の発展に向けての有望な方向性を概説し、この新興分野を前進させるための基盤を築くことを目的とする。
  論文  参考訳（メタデータ） (2025-10-14T12:26:23Z)
• Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
  がん予後は、患者の予後と生存率を予測する重要なタスクである。 これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。 既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。 第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
  論文  参考訳（メタデータ） (2025-01-30T06:49:57Z)
• HC-LLM: Historical-Constrained Large Language Models for Radiology Report Generation [89.3260120072177]
  本稿では,放射線学レポート生成のための歴史制約付き大規模言語モデル (HC-LLM) フレームワークを提案する。 胸部X線写真から経時的特徴と経時的特徴を抽出し,疾患の進行を捉える診断報告を行った。 特に,本手法は,テスト中の履歴データなしでも良好に動作し,他のマルチモーダル大規模モデルにも容易に適用可能である。
  論文  参考訳（メタデータ） (2024-12-15T06:04:16Z)
• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [50.56875995511431]
  マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。 提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
  論文  参考訳（メタデータ） (2024-11-01T15:54:07Z)

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。