論文の概要: PACER: Progressive Availability-Conditioned Evidence Routing for Radiology Report Generation under Incomplete Clinical Context
- arxiv url: http://arxiv.org/abs/2609.34487v1
- Date: Mon, 28 Sep 2026 07:40:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 13:09:37.93891
- Title: PACER: Progressive Availability-Conditioned Evidence Routing for Radiology Report Generation under Incomplete Clinical Context
- Title（参考訳）: PACER : 不完全な臨床環境下での放射線学報告のための段階的アベイラビリティ・コンディション・エビデンス・ルーティング
- Abstract要約: PACERは構造化不完全なRRGのためのプログレッシブ・アベイラビリティ・コンディション・エビデンス・ルーティング・フレームワークである。
まず、凍結したエンコーダの深さを横断するパッチワイドルーティングをエンドポイント保存することで視覚表現を洗練し、補完的な手がかりを取り入れた。
次に、観測されたエビデンスとアベイラビリティの状態に応じて言語モデルプレフィックスを校正し、利用可能なソースセットの変更に応じて共有ジェネレータのコンディショニングを適用する。
MIMIC-RG4の4つの設定とMIMIC-CXRの強い性能に対して、最先端の臨床効果を示す実験を行った。
- 参考スコア（独自算出の注目度）: 25.800540247735157
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Radiology report generation (RRG) increasingly incorporates heterogeneous clinical evidence, such as multi-view radiographs and previous reports, whose availability varies across examinations. However, accommodating different input combinations does not ensure effective evidence use: generated reports may still omit or inaccurately describe clinically relevant findings. To address this problem, we propose PACER, a Progressive Availability-Conditioned Evidence Routing framework for structured incomplete-context RRG that follows a Refine-Calibrate-Commit pipeline. It first refines observed visual representations through endpoint-preserving patchwise routing across frozen encoder depths, incorporating complementary cues while retaining the pretrained terminal representation. It then calibrates the language-model prefix according to the observed evidence and availability state, adapting the shared generator's conditioning as the available source set changes. Finally, it generates polarity-structured clinical commitments before the report in the same autoregressive trajectory, providing structured clinical context for subsequent generation. Experiments demonstrate state-of-the-art clinical efficacy across all four MIMIC-RG4 settings and strong MIMIC-CXR performance, while maintaining competitive language-generation quality.
- Abstract（参考訳）: 放射線学報告生成(RRG)は、多視点ラジオグラフィーや以前の報告のような異種の臨床的証拠をますます取り入れており、検査によって利用できる範囲は様々である。
しかし、異なる入力の組み合わせを調節することは、効果的なエビデンスの使用を保証しない: 生成された報告は、いまだに省略されるか、臨床的に関係のある発見を不正確に記述する可能性がある。
この問題に対処するために、我々は、Refine-Calibrate-Commitパイプラインに従う構造化不完全コンテキストRRGのためのプログレッシブ・アベイラビリティ・コンディション・エビデンス・ルーティング・フレームワークであるPACERを提案する。
まず、凍結したエンコーダの深さにパッチワイドなルーティングを施し、事前訓練された終端表現を維持しながら補完的なキューを組み込むことにより、観察された視覚表現を洗練する。
次に、観測されたエビデンスとアベイラビリティの状態に応じて言語モデルプレフィックスを校正し、利用可能なソースセットの変更に応じて共有ジェネレータのコンディショニングを適用する。
最後に、同じ自己回帰軌跡で報告される前に極性に構造化された臨床コミットメントを生成し、その後の世代に構造化された臨床コンテキストを提供する。
実験では、4つのMIMIC-RG4設定とMIMIC-CXR性能を比較検討し、競争力のある言語生成品質を維持した。
関連論文リスト
- Concept-Grounded Reasoning with Prompt-Driven Localization for Interpretable Structured Report Generation [66.62662330558906]
CORALは、空間的接地と概念レベルの監督を統一的な推論プロセスに統合するマルチモーダルフレームワークである。
コーラルは、疾患の局所化とコンセプション・ボトルネックモジュールによる多クラス臨床属性の予測のために、プロンプト駆動型医療セグメンテーションモデルを採用している。
BUS-CoTとIU X線データセットの実験では、診断精度、概念整合性、報告品質が強力な汎用および医療MLLMよりも一貫した改善が示されている。
論文 参考訳（メタデータ） (2026-09-14T10:21:23Z) - Graph-Supervised Hierarchical Clinical Alignment for Radiology Report Generation with Large Language Models [46.202482780666635]
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。
論文 参考訳（メタデータ） (2026-08-25T06:32:26Z) - RadFusion: Towards Threshold-Controllable Radiology Report Generation [14.362153373103757]
既存の世代モデルは、診断内容の感度特異性トレードオフを制御できない。
RadFusionは、レポート生成としきい値制御性を備えたフレームワークである。
論文 参考訳（メタデータ） (2026-08-11T05:23:48Z) - CT-FineBench: A Diagnostic Fidelity Benchmark for Fine-Grained Evaluation of CT Report Generation [51.11942945171396]
従来の評価指標は、語彙重なり合いやエンティティマッチングの粗い尺度のみを提供する。
我々はCT-RATEとMerlinのベンチマークであるCT-FineBenchを提案し、CTレポートの微細な事実整合性を評価する。
我々のベンチマークは、綿密な質問回答(QA)ベースのプロセスによって構築されます。
論文 参考訳（メタデータ） (2026-04-27T03:32:46Z) - AgentsEval: Clinically Faithful Evaluation of Medical Imaging Reports via Multi-Agent Reasoning [73.50200033931148]
本稿では,放射線科医の協調診断ワークフローをエミュレートしたマルチエージェントストリーム推論フレームワークであるAgensEvalを紹介する。
評価プロセスを基準定義、エビデンス抽出、アライメント、一貫性スコアなどの解釈可能なステップに分割することで、AgensEvalは明確な推論トレースと構造化された臨床フィードバックを提供する。
実験結果から,AgensEvalは,言い換え,意味的,スタイリスティックな摂動の下でも頑健な臨床的整合性,意味的忠実性,解釈可能な評価を提供することが示された。
論文 参考訳（メタデータ） (2026-01-23T11:59:13Z) - Radiology Workflow-Guided Hierarchical Reinforcement Fine-Tuning for Medical Report Generation [11.117796080402044]
放射線医は、構造化されたワークフローを通して診断レポートを作成する。
既存の医療報告生成システムは、レポートをフラットなシーケンスとして扱い、この階層的な組織を見渡す。
本稿では,臨床報告の構造的性質を明示的にモデル化した階層型ワークフロー誘導強化フレームワークRadFlowを提案する。
論文 参考訳（メタデータ） (2025-11-13T08:10:59Z) - Automated Structured Radiology Report Generation [11.965406008391371]
本稿では,自由テキストラジオロジーレポートを標準化形式に再構成する新しいタスクであるStructured Radiology Report Generation (SRRG)を紹介する。
我々は,大規模言語モデル (LLM) を用いてレポートを再構成し,厳密な構造化されたレポートデシダタに追従して,新しいデータセットを作成する。
また,55ラベルを用いた詳細な疾患分類モデルであるSRR-BERTを導入し,構造化レポートのより正確かつ臨床的に評価した。
論文 参考訳（メタデータ） (2025-05-30T05:23:01Z) - 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) - 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。