論文の概要: Autonomous Structuring of Radiology Reports Across Modalities at Archive Scale Using an Open-Weight Large Language Model

• arxiv url: http://arxiv.org/abs/2610.04541v1
• Date: Sat, 03 Oct 2026 14:15:08 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 20:39:47.760736
• Title: Autonomous Structuring of Radiology Reports Across Modalities at Archive Scale Using an Open-Weight Large Language Model
• Title（参考訳）: オープンウェイト大言語モデルを用いたアーカイブスケールでの放射線学レポートの自律的構造化
• Abstract要約: オープンウェイト大言語モデル(LLM)パイプラインは、自由テキストラジオロジーレポートの全アーカイブを、人間の監視なしに構造化されたレポートに変換する。 2,186,982件のアーカイブレポートのうち96.5%は構造化された出力を受け取り、2,401,544件は1つのグラフィックス処理ユニットで1時間1,258件であった。
• 参考スコア（独自算出の注目度）: 27.344931551409616
• License:
• Abstract: Purpose: To develop and evaluate an open-weight large language model (LLM) pipeline that converts an entire archive of free-text radiology reports into structured reports without human oversight. Materials and Methods: In this retrospective study, a pipeline with 150 hierarchically organized templates was developed at one center and tested at a second center on reports from 2010 to 2025. The open-weight model gpt-oss-120B selects the template in three constrained-decoding steps and fills it on one local graphics processing unit. Template selection was scored against expert labels on 914 randomly sampled reports of five modalities, structuring quality on 920 radiography and CT reports corrected field by field by five residents. The pipeline then processed the complete archive of the second center. Proportions are reported with Wilson 95% confidence intervals (CIs). Results: An optimal template set was selected for 74.4% of reports (680 of 914; 95% CI: 71.5%, 77.1%) and an appropriate set for 82.3% (752 of 914; 95% CI: 79.7%, 84.6%), 87.7% for single-region and 54.1% for multi-region reports. Macro semantic textual similarity between output and corrected reference was 0.95 for radiography and 0.97 for CT, residents left 88.7% of 24,638 fields unchanged, and unsupported content was flagged in 1.0% and 1.5% of reports. Of 2,186,982 archive reports, 96.5% received structured output, 2,401,544 structured reports, at 1,258 reports per hour on one graphics processing unit. Conclusion: An open-weight LLM pipeline structured a complete multimodality report archive without human oversight with high content fidelity. Multi-region reports remained the main source of template errors.
• Abstract（参考訳）: 目的: オープンウェイトな大規模言語モデル (LLM) パイプラインを開発し,評価すること。 材料と方法: この振り返り調査では、150の階層的なテンプレートを備えたパイプラインが1つのセンターで開発され、2010年から2025年までのレポートに基づいて第2のセンターでテストされました。 オープンウェイトモデルgpt-oss-120Bは、3つの制約付きデコードステップでテンプレートを選択し、それを1つのローカルグラフィックス処理ユニットに埋める。 テンプレート選択は,5つのモダリティをランダムにサンプリングした914件のラベルに対して,920件のX線写真およびCTレポートの質を5人の住民によって補正した。 その後、パイプラインは第2センターの完全なアーカイブを処理した。 Wilson 95%の信頼区間 (CI) が報告されている。 結果: 74.4%のレポート(914の680、95% CI:71.5%、77.1%)に最適なテンプレートセットが選択され、82.3%(914の752、95% CI:79.7%、84.6%)、87.7%の単一リージョン、54.1%のマルチリージョンレポートが選択された。 出力と修正された参照のマクロな意味的類似性は、ラジオグラフィでは0.95、CTでは0.97であり、住民は24,638フィールドの88.7%を変更せず、サポートされたコンテンツは1.0%と1.5%でフラグ付けされた。 2,186,982件のアーカイブレポートのうち96.5%は構造化された出力を受け取り、2,401,544件は1つのグラフィックス処理ユニットで1時間1,258件であった。 結論: オープンウェイトなLLMパイプラインは、高いコンテンツ忠実度を持つ人間の監視なしに、完全なマルチモーダリティレポートアーカイブを構築した。 マルチリージョンレポートは、テンプレートエラーの主な原因であり続けた。

関連論文リスト

• PlotGround: Grounding Plot Digitization in Real Scientific Figures and Their Source Data [59.0159091964132]
  PlotGroundは、実際の科学的数字と著者がリリースしたソースデータからプロットのデジタル化ベンチマークを構築するための、自動パイプラインである。 PlotGroundは、フィギュアをソーステーブルにマップし、再構成可能なパネルを特定し、ソース基底参照値で定量的な質問を生成する。 PlotGroundを使ってPlotGround-1kを構築します。これは1,066 BioRxivのプレプリントから1,119の質問を人力検証したベンチマークです。
  論文  参考訳（メタデータ） (2026-10-05T17:57:19Z)
• Evaluating Open-Weight LLMs for Turkish Domain Documents Under Retrieval and Hardware Constraints [8.353600616465796]
  ほとんどのトルコ語対応の大規模言語モデル (LLM) は汎用ベンチマークを用いて評価される。 本稿では,資源制約のあるローカルデプロイメント環境下で,トルコ語文書質問応答のためのオープンウェイト7B-8Bモデルを5つ評価する。
  論文  参考訳（メタデータ） (2026-09-23T12:33:57Z)
• Error Detection for PET/CT Radiology Reports: Domain-Specific vs Large Language Models [2.916755720836074]
  大言語モデル (LLMs) は放射線学報告の検証のために提案されているが, 臨床的に有意な誤りを検出する能力はいまだ探索されていない。 PET/CTレポートの誤り検出のための言語モデルの最初の体系的評価を行い、コンパクトなドメイン固有モデルとSOTAオープンウェイトLLMを比較した。 臨床的に動機付けられた合成報告エラーを検出するために,ドメイン固有BERTモデルを訓練し,0/few-shot Qwen3-32B,Gemma-3-27B,Llama-3.3-70Bを11,500のベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-08-30T20:23:01Z)
• From Diagnosis to Correction: Benchmarking and Improving Real-World Table Parsing [50.70862449978062]
  最近の文書では OmniDocBench v1.6 の 93 以上の TEDS スコアが達成されている。 このギャップを定量化するために、916の現実世界のテーブルの診断ベンチマークであるTableParseMapを紹介します。
  論文  参考訳（メタデータ） (2026-08-10T16:59:30Z)
• Models Can Model, But Can't Bind: Structured Grounding in Text-to-Optimization [54.749573452394664]
  定式化自体が単純である場合でも、インスタンスデータが大きくなるにつれて精度が低下する。 我々は, 数値データを構造化ファイルに外部化する単純な推論時アプローチであるBINDを用いて, モデルがプロンプトプロンプトからではなく, データをバインドする。 我々は,モデルのみをバインディングのみに微調整することで仮説を検証し,3つの構造的に異なる最適化カテゴリにおいて,エンドツーエンドのSFTおよびRLよりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-20T21:25:41Z)
• DocAtlas: Multilingual Document Understanding Across 80+ Languages [58.715440331861295]
  本稿では,82言語を対象とした高忠実度OCRデータセットとベンチマークを構築するフレームワークDocAtlasを紹介する。 我々のデュアルパイプライン、ネイティブDOCX文書の微分レンダリング、左右スクリプトの合成ベース生成は正確な構造アノテーションを生成する。
  論文  参考訳（メタデータ） (2026-05-12T18:09:38Z)
• How Far Is Document Parsing from Solved? PureDocBench: A Source-TraceableBenchmark across Clean, Degraded, and Real-World Settings [56.70440596502351]
  昨年は20以上のオープンドキュメントパースモデルが見られたが、ベンチマークはほぼOmniDocBenchにのみ依存している。 HTML/CSSのドキュメントイメージをレンダリングするベンチマークであるPureDocBenchは、10のドメイン、66ページ、1,475ページをカバーしています。
  論文  参考訳（メタデータ） (2026-05-08T09:30:31Z)
• A document processing pipeline for the construction of a dataset for topic modeling based on the judgments of the Italian Supreme Court [5.612141846711729]
  トピックモデリングに最適化された匿名化データセットを生成する文書処理パイプラインを開発した。 パイプラインは文書レイアウト解析(YOLOv8x)、光学文字認識、テキスト匿名化を統合している。 OCRのみの手法と比較して,多様性スコア0.6198,コヒーレンススコア0.6638でトピックモデリングを改善した。
  論文  参考訳（メタデータ） (2025-05-13T11:06:24Z)
• Development and Validation of a Large Language Model for Generating Fully-Structured Radiology Reports [7.842592769802466]
  完全に構造化されたレポートを作成するための現在のLLMは、外部サーバにデータをアップロードする際のエラー、コンテンツ幻覚、プライバシー漏洩といった問題に直面している。 我々は,各機関の様々な自由テキストレポートから完全に構造化され,標準化されたLCSレポートを作成するための,オープンソースで正確なLCMを開発することを目的としている。
  論文  参考訳（メタデータ） (2024-09-26T21:59:11Z)

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。