論文の概要: ChestPheNoT: Deployable, Auditable Label-Status-Evidence Extraction from Radiology Reports
- arxiv url: http://arxiv.org/abs/2609.31629v1
- Date: Wed, 09 Sep 2026 00:13:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 14:36:50.516903
- Title: ChestPheNoT: Deployable, Auditable Label-Status-Evidence Extraction from Radiology Reports
- Title（参考訳）: ChestPheNoT: 放射線診断報告からの展開可能, 聴取可能なラベル-統計証拠抽出
- Abstract要約: CESTPHENOTはコンパクトな0.5-3B言語モデルであり,ラベルの発見,3段階のステータス,動詞の支援を共同で抽出する。
その結果、ローカルにデプロイ可能なモデルが、競合的で直接監査可能なラジオロジーレポート抽出を提供することを示した。
- 参考スコア（独自算出の注目度）: 19.36830818587322
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Structured phenotype extraction from radiology reports supports cohort construction, quality auditing, and clinical analytics, but practical deployment requires local inference and auditable predictions, while expert annotations remain scarce. Conventional labelers provide structured findings and assertion states but no supporting evidence, while API-hosted large language models may be unsuitable when clinical text cannot leave institutional infrastructure. We present CHESTPHENOT, a compact 0.5-3B language model that jointly extracts finding labels, three-class status (present/absent/uncertain), and verbatim supporting evidence spans. CHESTPHENOT is trained using hybrid CheXbert+72B silver supervision followed by supervised fine-tuning and lightweight GRPO refinement. Across three human-annotated gold sets spanning in-distribution, cross-taxonomy, and cross-institution evaluation, the 3B model remains below its CheXbert silver teacher in distribution but is competitive under distribution shift, significantly surpassing CheXbert on cross-institution detection (+2.0 F1). Task-specific training also enables the 3B model to match or exceed substantially larger prompted models on most detection and status comparisons. For evidence-grounded extraction, over 99% of final evidence spans are locatable in the source report, and the 3B model achieves 47.5 auditable-F1, outperforming Qwen2.5-7B one-shot prompting by 7.6 points and approaching Qwen2.5-72B. These results demonstrate that locally deployable models can provide competitive and directly auditable radiology-report extraction without relying on external inference APIs. Code and the full extraction/judge prompts will be made available at https://github.com/yukkai/ChestPheNoT.
- Abstract（参考訳）: 放射線学報告からの構造的表現型抽出は、コホート構築、品質監査、臨床分析をサポートするが、実践的な展開には局所的な推測と監査可能な予測が必要であるが、専門家の注釈は乏しい。
従来のラベルは構造化された発見とアサーション状態を提供するが、支持する証拠はない。一方、APIがホストする大規模言語モデルは、臨床テキストが制度的なインフラを離れることができない場合には不適当である。
CESTPHENOT はコンパクトな 0.5-3B 言語モデルで,ラベルの発見,3段階のステータス(現在/現在/未確認),および冗長サポートエビデンスを共同で抽出する。
チェストフェノットはハイブリッドのCheXbert+72B銀の監督と、監督された微調整と軽量のGRPOの改良で訓練されている。
3Bモデルは分布においてCheXbert銀の教師より下位に留まるが、分布シフト下では競争力があり、CheXbertよりはるかに上回っている(+2.0 F1)。
タスク固有のトレーニングにより、3Bモデルは、ほとんどの検出とステータスの比較において、はるかに大きなプロンプトモデルと一致または超えることができる。
証拠抽出では、最終証拠の99%以上が資料に記載されており、3Bモデルは47.5の監査可能F1を達成し、Qwen2.5-7Bを7.6ポイント上回り、Qwen2.5-72Bに接近している。
これらの結果は、ローカルにデプロイ可能なモデルが、外部推論APIに頼ることなく、競合的で直接監査可能なラジオロジーレポート抽出を提供することを示す。
コードはhttps://github.com/yukkai/ChestPheNoT.comで公開されている。
関連論文リスト
- TRACE: Training Reasoning Agents for Causal Exploration with Synthesized Rewards [15.908097225313968]
検証可能な報酬付き強化学習(RLVR)は、数学やコードなどの分野において高度な言語モデル推論を持つ。
この検証の非対称性を設計できるかどうかを問う。
本手法は,12の根本原因と細粒度セグメント属性を有するデジタル広告診断環境であるTRACEで実現した。
論文 参考訳（メタデータ） (2026-09-09T15:21:47Z) - From Signals to Transfer: A Factorised Study of Probe-Based Uncertainty Estimation in Large Language Models [51.470637128942336]
本稿では, 一致する条件下でのプローブベース不確実性推定(UE)について, 因子分析を行った。
この結果から,隠れ状態や注目特徴がドメイン内よりも優れていることが示唆された。
我々は、オープンエンドの事実生成に対して合理的に伝達するベンチマークベースの事前訓練プローブを訓練する。
論文 参考訳（メタデータ） (2026-06-26T03:23:15Z) - CalBrief: A Pilot Diagnostic Benchmark for Evidence-Calibrated Scientific Briefing with Large Language Models [8.057966659934769]
大規模言語モデル (LLMs) は研究助手としての利用が増えているが, 支持する証拠の強さと範囲について, 研究成果を校正できるかどうかは不明である。
我々は,エビデンスを校正した科学的ブリーフィングについて検討する: 関連論文の束縛されたパッケージを考えると,システムはエビデンス強度,スコープ境界,欠落したエビデンス注意点を備えたパッケージレベルのテイクアウトを生成するべきである。
私たちは、ブリーフィングが故障した場所を特定するための診断プローブとして、監査可能なロール/ギャップ/強度フレームワークであるCalBriefを使用します。
論文 参考訳（メタデータ） (2026-06-11T06:49:52Z) - From Observation to Intervention: A Causal Audit of Expert Importance in Mixture-of-Experts Models [0.2230291569252836]
本研究では,Mixture-of-Experts (MoE) プルーニングにおけるルーティング統計の利用について検討する。
あらゆるモデルにおいて因果的専門家の重要性を予測する観察的指標は見つからない。
以上の結果から, 人口レベルの観察結果から, 専門家の重要度に関するトークンレベルの介入主張まで, 共通の推論段階に対する明確な反例が得られた。
論文 参考訳（メタデータ） (2026-06-09T11:04:19Z) - SAAG: Structured Agent Assessment and Grounding [13.62148061055744]
本稿では,エージェント呼び出し評価を3段階に分解するケースケード診断フレームワークを提案する。
このフレームワークは,5,10,15エージェントのレジストリサイズにまたがって,Glaiveの関数呼び出しデータセットから得られたベンチマークで評価する。
論文 参考訳（メタデータ） (2026-04-30T19:33:58Z) - Cross-modal Proxy Evolving for OOD Detection with Vision-Language Models [59.242742594156546]
CoEvoは、テキストプロキシとビジュアルプロキシの両方を双方向でサンプル条件で適応するテストタイムフレームワークである。
CoEvoは最先端のパフォーマンスを実現し、AUROCを1.33%改善し、ImageNet-1KではFPR95を45.98%削減した。
論文 参考訳（メタデータ） (2026-01-13T12:08:26Z) - You only need 4 extra tokens: Synergistic Test-time Adaptation for LLMs [50.54173262572369]
大規模言語モデル (LLM) は、金融、医療、農業などの専門分野にますます導入されている。
本稿では,言語モデルに対するラベルフリーテスト時適応について検討し,追加の監督なしにモデルをオンザフライで適応する推論時フレームワークであるSyTTAについて述べる。
論文 参考訳（メタデータ） (2025-10-11T14:00:39Z) - Detecting Multimodal Situations with Insufficient Context and Abstaining from Baseless Predictions [75.45274978665684]
VLU(Vision-Language Understanding)ベンチマークには、提供されたコンテキストによってサポートされない仮定に答えが依存するサンプルが含まれている。
サンプル毎にコンテキストデータを収集し,エビデンスに基づくモデル予測を促進するためにコンテキスト選択モジュールをトレーニングする。
我々は,十分なコンテキストを欠いたサンプルを同定し,モデル精度を向上させる汎用なコンテキスト・アワレ認識検出器を開発した。
論文 参考訳（メタデータ） (2024-05-18T02:21:32Z) - Deep Omni-supervised Learning for Rib Fracture Detection from Chest
Radiology Images [41.62893318123283]
ディープラーニング(DL)に基づくリブ骨折検出は、死亡を予防し、患者の予後を改善する上で重要な役割を担っている。
DLベースのオブジェクト検出モデルは、大量のバウンディングボックスアノテーションを必要とします。
医用データの注釈付けは時間がかかり専門知識が要求されるため、大量の細かい注釈を得られることは極めて不可能である。
我々は,ORF-Netv2という新しいオブジェクト検出ネットワークを提案する。
論文 参考訳（メタデータ） (2023-06-23T05:36:03Z) - SAIS: Supervising and Augmenting Intermediate Steps for Document-Level
Relation Extraction [51.27558374091491]
本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。
そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
論文 参考訳（メタデータ） (2021-09-24T17:37:35Z)
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。