論文の概要: CliQ-RRG: Clinical-Knowledge Guided Disease-aware Visual-Textual Alignment for QA-Style Radiology Report Generation

• arxiv url: http://arxiv.org/abs/2610.13059v1
• Date: Fri, 09 Oct 2026 06:13:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.422288
• Title: CliQ-RRG: Clinical-Knowledge Guided Disease-aware Visual-Textual Alignment for QA-Style Radiology Report Generation
• Title（参考訳）: CliQ-RRG : QA-Style Radiology の報告
• Abstract要約: 当科におけるQA-Style Radiology Report Generation (CliQ-RRG) の検討 CliQ-RRGは、解釈および臨床的根拠のある報告のための統合された2段階のフレームワークである。 2つの公開胸部X線ベンチマークの実験では、CliQ-RRGは、語彙と臨床の両方の指標で、従来方法よりも一貫して優れていたことが示されている。
• 参考スコア（独自算出の注目度）: 4.222388618095524
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radiology reports are essential for diagnostic reasoning and patient care, yet their manual preparation is time-consuming and cognitively demanding. Automatic radiology report generation (RRG) offers a scalable alternative, but existing models often produce lengthy, unstructured narratives that overlook diagnostic cues and multi-view information. We present Clinical-Knowledge Guided Disease-aware Visual-Textual Alignment for QA-Style Radiology Report Generation (CliQ-RRG), a unified two-stage framework for interpretable and clinically grounded reporting. In Stage 1, CliQ-RRG employs a Disease-aware Visual-Textual Alignment module that aligns image and text representations using predicted disease embeddings, reinforced by a Prior-Guided Attention Module (PrAM) to capture multi-view dependencies across current and prior scans. In Stage 2, GraphRAG-guided retrieval augments intermediate textual representations with graph-grounded clinical evidence, and a large language model restructures them into concise, interpretable question-answer (QA) pairs with diagnostic summaries. Experiments on two public chest X-ray benchmarks demonstrate that CliQ-RRG consistently outperforms prior methods across both lexical and clinical metrics, generating accurate and clinically coherent QA-style radiology reports. Code is available at: https://github.com/chandravardhan-singh-raghaw/CliQ-RRG.
• Abstract（参考訳）: 放射線医学の報告は、診断的推論と患者ケアに不可欠であるが、手作業による準備は時間と認知的要求である。 自動放射線診断レポート生成(RRG)は、スケーラブルな代替手段を提供するが、既存のモデルは、診断の手がかりや多視点情報を見渡すような、長く非構造的な物語をしばしば生み出す。 本稿では,QA-Style Radiology Report Generation (CliQ-RRG) のための臨床知識ガイド付き疾患対応ビジュアルテキストアライメントについて紹介する。 ステージ1では、CliQ-RRGは病気対応のビジュアルテキストアライメントモジュールを使用し、予測された病気の埋め込みを使用して画像とテキストの表現を整列させ、プリエントガイドアテンションモジュール(PrAM)によって強化され、現在のスキャンと前スキャンをまたいだマルチビュー依存関係をキャプチャする。 ステージ2では、GraphRAG誘導検索により、グラフグラウンドの臨床的証拠による中間テキスト表現が強化され、大きな言語モデルにより、それらを簡潔で解釈可能なQA(QA)ペアと診断要約に再構成する。 2つの公開胸部X線ベンチマークの実験により、CliQ-RRGは、語彙的および臨床的指標の両方において、従来方法よりも一貫して優れており、正確で臨床的に整合したQAスタイルの放射線学レポートを生成することが示されている。 コードは、https://github.com/chandravardhan-singh-raghaw/CliQ-RRGで入手できる。

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)
• A Chain of Diagnosis Framework for Accurate and Explainable Radiology Report Generation [4.61181046331792]
  臨床的に正確かつ説明可能なRRGの診断過程の連鎖を維持できる,診断の連鎖(CoD)というフレームワークを提案する。 説明可能性を高めるために、診断基盤モジュールは、診断が参照として機能するQA診断と生成された文とを一致させるように設計されている。 本研究は,1)QAペアと病変箱を用いた完全ラベルRRGデータセット,2)病変位置と重症度を記述した報告の精度を評価するための評価ツール,3)CoDの有効性を実証するための広範な実験に導いた。
  論文  参考訳（メタデータ） (2025-08-13T07:32:28Z)
• RadAlign: Advancing Radiology Report Generation with Vision-Language Concept Alignment [10.67889367763112]
  RadAlignは、視覚言語モデルの予測精度と大きな言語モデルの推論能力を組み合わせた、新しいフレームワークである。 本フレームワークは, 幻覚の低減, 自動医用画像の進歩, 予測AIと生成AIの統合による報告分析を両立させながら, 強力な臨床解釈可能性を維持している。
  論文  参考訳（メタデータ） (2025-01-13T17:55:32Z)
• WoLF: Wide-scope Large Language Model Framework for CXR Understanding [8.265578494822087]
  胸部X線理解のための広スコープ大言語モデルフレームワークを提案する。 実際の臨床シナリオにおける正確な診断に利用される多面的患者の記録を収集する。
  論文  参考訳（メタデータ） (2024-03-19T06:39:23Z)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)
• 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)
• Factored Attention and Embedding for Unstructured-view Topic-related Ultrasound Report Generation [70.7778938191405]
  本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。 提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
  論文  参考訳（メタデータ） (2022-03-12T15:24:03Z)
• Auxiliary Signal-Guided Knowledge Encoder-Decoder for Medical Report Generation [107.3538598876467]
  放射線技師の動作パターンを模倣する補助信号誘導知識デコーダ(ASGK)を提案する。 ASGKは、内的特徴融合と外部医療言語情報を統合して、医療知識の伝達と学習をガイドする。
  論文  参考訳（メタデータ） (2020-06-06T01:00:15Z)

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。