論文の概要: TransXplainRRG: A Radiologist-Evaluated LVLM for Chest Radiograph Report Generation
- arxiv url: http://arxiv.org/abs/2611.16393v1
- Date: Thu, 12 Nov 2026 07:05:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.382207
- Title: TransXplainRRG: A Radiologist-Evaluated LVLM for Chest Radiograph Report Generation
- Title(参考訳): TransXplainRRG:胸部X線診断のための放射線医評価LVLM
- Abstract要約: 本稿では,臨床応用のためのX線自動レポート生成における性能と専門家による説明可能性の両面での課題について論じる。
提案手法であるTransXplainRRGは,患者の医療史を取り入れたトランスフォーマーベースのテキストエンコーダを用いて放射線学レポートを生成する。
大規模なMIMIC-CXRデータセットでトレーニングとテストが行われ、見えないIU X線データセットでさらに評価され、その一般化性と堅牢性を示す。
- 参考スコア(独自算出の注目度): 12.166821815589522
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advancements in Large Vision-Language Models (LVLM) enhance X-ray report generation, but often neglect clinical context, overlook workflow integration, and lack explainability, which hinders clinical adoption due to interpretability and reliability concerns. This paper addresses the dual challenges of performance and expert explainability in automated X-ray report generation for clinical AI applications. Our proposed approach, TransXplainRRG, utilises an off-the-shelf Swin Transformer model along with a transformer-based text encoder that incorporates patient medical history to generate a radiology report. Further, we explore an expert-guided `inside-out' approach and extract only abnormal findings for radiology report refinement. Thus, this study bridges the gap between high-performance automation and interpretability critical for clinical practice by combining state-of-the-art transformer-based vision encoders, text encoders, and LLMs. TransXplainRRG is trained and tested on the large-scale MIMIC-CXR dataset and further evaluated on the unseen IU X-Ray dataset to demonstrate its generalizability and robustness. We employed the GREEN metric as a complementary measure of clinical consistency, achieving scores of 0.327 on MIMIC-CXR and 0.605 on IU X-Ray, both higher than those achieved by MAIRA-2 under the same evaluation setting. It also performed competitively across standard evaluation metrics, frequently matching or surpassing state-of-the-art models. Additionally, we introduce qualitative evaluation metrics developed from radiologists' viewpoints and conduct a preliminary radiologist evaluation on 100 generated reports to assess their clinical relevance. Quantitative and qualitative analyses further demonstrate the potential of our TransXplainRRG framework for reliable and explainable radiology report generation.
- Abstract(参考訳): 近年のLVLM(Large Vision-Language Models)の進歩により、X線レポート生成が向上するが、臨床状況、ワークフロー統合の見落とし、説明可能性の欠如など、解釈可能性や信頼性の懸念から臨床導入を妨げている。
本稿では,臨床応用のためのX線自動レポート生成における性能と専門家の説明可能性の2つの課題について論じる。
提案手法であるTransXplainRRGでは,病歴を組み込んだトランスフォーマーベースのテキストエンコーダとともに,既製のSwinトランスフォーマーモデルを用いて放射線学レポートを生成する。
さらに,専門家が指導する「インサイドアウト」アプローチを探求し,放射線学報告改善のための異常所見のみを抽出する。
そこで本研究では,最先端のトランスフォーマーベースのビジョンエンコーダ,テキストエンコーダ,LLMを組み合わせて,ハイパフォーマンスな自動化と解釈可能性のギャップを橋渡しする。
TransXplainRRGは、大規模なMIMIC-CXRデータセットでトレーニングおよびテストされ、見えないIU X-Rayデータセットでさらに評価され、その一般化性と堅牢性を示す。
また,MIMIC-CXRでは0.327点,IU X線では0.605点,MAIRA-2では0。
また、標準的な評価指標と競合し、頻繁に一致するか、最先端のモデルを上回った。
さらに, 放射線技師の立場から開発された質的評価指標を導入し, 臨床関連性を評価するために, 100件の報告について予備的評価を行った。
定量的および定性的な分析により、信頼性および説明可能な放射線診断レポート生成のためのTransXplainRRGフレームワークの可能性がさらに示された。
関連論文リスト
- Pre-training, Reasoning, Benchmarking: X-ray Report Generation on CheXpert Plus Dataset [64.51646260227491]
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。
論文 参考訳(メタデータ) (2026-09-23T10:35:18Z) - RL-ACRGNet: Reinforcement Learning-Based Chest Radiology Report Generation Network [19.808093570116526]
プリトレーニングされたDenseNetエンコーダとマルチレベルLSTMデコーダを統合した改良型エンコーダデコーダモデルであるRL-ACRGNetを提案する。
我々は、RL-ACRGNetが、IU-Xrayデータセットの最先端ベースラインを一貫して上回ることを示した。
論文 参考訳(メタデータ) (2026-06-01T10:24:31Z) - Revolutionizing Radiology Workflow with Factual and Efficient CXR Report Generation [0.0]
本稿では,胸部X線自動生成に特化して開発されたLLM中心の基盤モデルであるCXR-PathFinderを紹介する。
本稿では,専門的な臨床フィードバックを相手の学習フレームワークに統合する,ユニークな訓練パラダイムであるCGAFTを提案する。
我々の実験は、CXR-PathFinderが、様々なメトリクスで既存の最先端の医療ビジョン言語モデルを大幅に上回っていることを実証した。
論文 参考訳(メタデータ) (2025-06-01T18:47:49Z) - GIT-CXR: End-to-End Transformer for Chest X-Ray Report Generation [2.8900715468305767]
我々は,X線画像の高精度かつ実測的に完全なラジオグラフィーレポートを生成するために,エンドツーエンドのトランスフォーマーベースの手法を設計,評価した。
実験はMIMIC-CXR-JPGデータベースを用いて行われた。
論文 参考訳(メタデータ) (2025-01-05T16:45:49Z) - Summarizing Radiology Reports Findings into Impressions [1.8964110318127383]
本稿では,最新の放射線学報告による要約性能のモデルを提案する。
また、モデル限界と放射線学知識の獲得について分析する。
我々の最高の性能モデルは、58.75/100 ROUGE-L F1で調整されたBERT-to-BERTエンコーダデコーダであった。
論文 参考訳(メタデータ) (2024-05-10T20:29:25Z) - Large Model driven Radiology Report Generation with Clinical Quality
Reinforcement Learning [16.849933628738277]
放射線学報告生成 (RRG) は, 放射線技師の作業量削減の可能性から注目されている。
本稿では,新しいRRG法である textbfLM-RRG について紹介する。
MIMIC-CXRおよびIU-Xrayデータセットを用いた実験により,本手法が技術状況よりも優れていることを示す。
論文 参考訳(メタデータ) (2024-03-11T13:47:11Z) - 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) - ChatRadio-Valuer: A Chat Large Language Model for Generalizable
Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。
本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。
ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
論文 参考訳(メタデータ) (2023-10-08T17:23:17Z) - Radiology-Llama2: Best-in-Class Large Language Model for Radiology [71.27700230067168]
本稿では,ラジオロジーに特化した大規模言語モデルであるRadiology-Llama2を紹介する。
MIMIC-CXRとOpenIデータセットのROUGEメトリクスを用いた定量的評価は、Radiology-Llama2が最先端のパフォーマンスを達成することを示す。
論文 参考訳(メタデータ) (2023-08-29T17:44:28Z) - Medical Image Captioning via Generative Pretrained Transformers [57.308920993032274]
我々は、Show-Attend-Tell と GPT-3 という2つの言語モデルを組み合わせて、包括的で記述的な放射線学記録を生成する。
提案モデルは、Open-I、MIMIC-CXR、汎用MS-COCOの2つの医療データセットで検証される。
論文 参考訳(メタデータ) (2022-09-28T10:27:10Z)
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。