自动化放射学报告生成:对近期进展的回顾

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 医学成像部门面临越来越多的需求,影响放射科医生的效率和报告的及时性.
• 人工智能为自动放射学报告生成 (ARRG) 提供了潜在的解决方案.
• 由于技术进步,ARRG的研究迅速扩大.

研究的目的:

• 对当代自动放射学报告生成 (ARRG) 方法进行方法审查.
• 在ARRG中评估数据集,深度学习方法,模型架构,临床知识整合和评估技术.
• 从表现最好的模型中识别见解,并突出未来的研究方向.

主要方法:

• 对ARRG文献的系统审查.
• 基于可用性,大小和采用情况的数据集分析.
• 检查深度学习培训方法 (例如,对比,强化学习).
• 探索模型架构 (CNN,变压器变化).
• 审查整合临床知识的技术 (多式输入,知识图).
• 对评估技术的审查 (NLP指标,临床审查).

主要成果:

• 来自审查的ARRG模型的定量结果的分析.
• 识别高性能模型及其特征.
• 从最先进的ARRG系统的性能中获得的洞察力.

结论:

• 目前的ARRG方法在数据集,培训方法,架构和评估方面各不相同.
• 在利用各种数据集和改进评估指标方面需要进一步发展.
• 未来的方向包括扩大数据集,包括更多的放射学模式,并加强ARRG的评估方法.