論文の概要: Pre-training, Reasoning, Benchmarking: X-ray Report Generation on CheXpert Plus Dataset

• arxiv url: http://arxiv.org/abs/2610.08813v1
• Date: Wed, 23 Sep 2026 10:35:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 16:33:44.5408
• Title: Pre-training, Reasoning, Benchmarking: X-ray Report Generation on CheXpert Plus Dataset
• Title（参考訳）: 事前トレーニング、推論、ベンチマーク: CheXpert Plusデータセットを用いたX線レポート生成
• Abstract要約: X線画像に基づく放射線診断レポート生成(RRG)は、医療人工知能における重要な研究方向である。 近年の大幅な進歩にもかかわらず、この分野は、不十分な標準ベンチマークに起因する明らかなボトルネックに直面している。 我々は,CheXpert Plus上の一般的なX線レポート生成モデルと大規模言語モデルを含むベンチマークを確立する。
• 参考スコア（独自算出の注目度）: 64.51646260227491
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: X-ray image-based Radiology Report Generation (RRG) constitutes a critical research direction within medical artificial intelligence, with great potential to alleviate clinicians' diagnostic workload and shorten patient waiting periods. Despite substantial advances over recent years, the field faces evident bottlenecks stemming from insufficient standardized benchmarks and inadequate domain adaptation of generic large models. Notably, the newly released CheXpert Plus dataset is provided without accompanying baseline implementations and evaluation results, which impedes standardized training, quantitative evaluation and fair comparison among follow-up algorithms. To mitigate this limitation, we establish a comprehensive benchmark encompassing prevailing X-ray report generation models and Large Language Models on CheXpert Plus. This benchmark delivers a reliable comparative foundation for upcoming methods and enables researchers to rapidly identify state-of-the-art approaches within this domain. Beyond benchmark construction, we rethink X-ray RRG under the paradigm of large models and propose a novel framework termed MambaXray-PRB. Our framework improves report generation performance and enhances model interpretability via multi-stage large-model pre-training and multi-modal Chain-of-Thought reasoning. The pipeline consists of three successive phases: self-supervised auto-regressive modeling, X-ray-report contrastive learning, and post-training optimization for reasoning and report generation. Extensive experiments on IU X-ray, MIMIC-CXR, and CheXpert Plus datasets validate the effectiveness of MambaXray-PRB for radiology report generation. The source code of this paper is available on https://github.com/Event-AHU/Medical_Image_Analysis
• Abstract（参考訳）: X線画像に基づく放射線診断レポート生成(RRG)は、医療人工知能における重要な研究方向であり、臨床医の診断作業負荷を軽減し、患者待ち期間を短縮する大きな可能性を秘めている。 近年の進歩にもかかわらず、標準ベンチマークが不十分で汎用的な大規模モデルのドメイン適応が不十分なことから、この分野は明らかなボトルネックに直面している。 特に、新たにリリースされたCheXpert Plusデータセットは、ベースライン実装や評価結果を伴うことなく提供されており、フォローアップアルゴリズムの標準化されたトレーニング、定量的評価、公正な比較を妨げる。 この制限を緩和するために、一般的なX線レポート生成モデルとCheXpert Plus上の大規模言語モデルを含む包括的なベンチマークを確立する。 このベンチマークは、今後の手法に対する信頼性の高い比較基盤を提供し、研究者がこの分野における最先端のアプローチを迅速に特定できるようにする。 ベンチマーク構築の他に、大型モデルのパラダイムの下でX線RRGを再考し、MambaXray-PRBと呼ばれる新しいフレームワークを提案する。 本フレームワークはレポート生成性能を改善し,多段階大規模モデル事前学習とマルチモーダル・チェーン・オブ・ソート推論によるモデル解釈性を向上させる。 パイプラインは、自己教師付き自己回帰モデリング、X線レポートによるコントラスト学習、推論とレポート生成のためのトレーニング後の最適化の3段階からなる。 IU X線、MIMIC-CXR、CheXpert Plusデータセットの大規模な実験により、マンバX線PRBの放射線学レポート生成の有効性が検証された。 本論文のソースコードはhttps://github.com/Event-AHU/Medical_Image_Analysisで公開されている。

関連論文リスト

• X-ray Insights Unleashed: Pioneering the Enhancement of Multi-Label Long-Tail Data [86.52299247918637]
  胸部X線撮影における長期肺腫瘍の診断は困難であった。 尾部病変の表現力を高める拡散法は近年進歩しているが, 稀な病変例では, それらの発生能が低下している。 そこで本研究では,従来のX線を併用して尾部病変を増大させる新しいデータ合成パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-12-24T06:14:55Z)
• A DeepSeek-Powered AI System for Automated Chest Radiograph Interpretation in Clinical Practice [83.11942224668127]
  Janus-Pro-CXR (1B) はDeepSeek Janus-Proモデルに基づく胸部X線解釈システムである。 本システムは, 自動レポート生成において, 最先端のX線レポート生成モデルより優れる。
  論文  参考訳（メタデータ） (2025-12-23T13:26:13Z)
• Benchmarking CXR Foundation Models With Publicly Available MIMIC-CXR and NIH-CXR14 Datasets [0.35441912284181126]
  この研究は、パブリックMIMIC-CRとNIH ChestX-ray14データセットに2つの大規模胸部X線埋め込みモデル(CXR)をベンチマークする。 トレーニング済みエンコーダから直接埋め込みを抽出し,複数ラベルの軽量LightGBM分類器を訓練し,平均AUROC,F1スコアを95%の信頼区間で報告した。
  論文  参考訳（メタデータ） (2025-12-03T12:55:44Z)
• EMRRG: Efficient Fine-Tuning Pre-trained X-ray Mamba Networks for Radiology Report Generation [16.23892817333913]
  EMRRGは、トレーニング済みのMambaネットワークを微調整する新しいX線レポート生成フレームワークである。 ハイブリッドデコーダを備えたLCMは、医療レポートを生成し、エンドツーエンドのトレーニングを可能にし、ベンチマークデータセット上で強力な結果を得ることができる。
  論文  参考訳（メタデータ） (2025-10-19T09:54:36Z)
• 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)
• CXPMRG-Bench: Pre-training and Benchmarking for X-ray Medical Report Generation on CheXpert Plus Dataset [14.911363203907008]
  X線画像に基づく医療報告生成は、診断上の負担と患者待ち時間を著しく削減することができる。 我々は、CheXpert Plusデータセット上で、既存の主流X線レポート生成モデルと大規模言語モデル(LLM)の包括的なベンチマークを行う。 自己教師付き自己回帰生成やX線レポートによるコントラスト学習を含む,多段階事前学習戦略を用いたX線画像生成のための大規模モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-01T04:07:01Z)
• Longitudinal Data and a Semantic Similarity Reward for Chest X-Ray Report Generation [7.586632627817609]
  放射線学者は、解釈と報告を必要とする胸部X線(CXR)の量の増加のために、高いバーンアウト率に直面している。 提案するCXRレポートジェネレータは,ワークフローの要素を統合し,強化学習のための新たな報酬を導入する。 本研究の結果から, 提案モデルでは, 最新技術モデルよりも, 放射線学者の報告に適合した報告が生成されることがわかった。
  論文  参考訳（メタデータ） (2023-07-19T05:41:14Z)
• Boosting Radiology Report Generation by Infusing Comparison Prior [7.054671146863795]
  近年の変圧器を用いたモデルでは胸部X線画像から放射線学レポートを生成するために大きな進歩を遂げている。 これらのモデルは、しばしば事前の知識を欠いているため、誤って存在しない事前試験を参照する合成レポートが生成される。 本稿では,ルールに基づくラベル付け手法を用いて,放射線学報告から先行情報を抽出する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-08T09:12:44Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。