LHR-RFL:为自动放射学报告生成提供线性混合奖励基础强化焦点学习

科学领域:

• 人工智能的人工智能
• 医学成像分析 医学成像分析
• 自然语言生成自然语言生成

背景情况:

• 准确的放射学报告生成对于计算机辅助诊断至关重要.
• 目前的模型难以保持一致的质量,特别是在复杂的病例中,限制了临床实用性.

研究的目的:

• 通过专注于困难的样本来增强放射学报告的生成.
• 在一般和复杂的临床场景中改善模型性能.

主要方法:

• 拟议的基于奖励的线性混合强化焦点学习 (LHR-RFL) 框架.
• 引入了线性混合奖励 (LHR) 模块,使用加权的NLG指标来量化学习困难.
• 实施强化焦点学习 (RFL),在培训期间适应性地专注于具有挑战性的样本.

主要成果:

• 在所有NLG评估指标中,LHR-RFL显著改善了基准模型的性能.
• 在IU X射线上实现了20.9%的平均性能增长,在MIMIC-CXR数据集上达到13.2%.
• 对于难以采集的放射学样本,报告质量得到了显著改善.

结论:

• LHR-RFL有效地解决了放射学报告生成质量不一致的挑战.
• 拟议的方法增强了对困难样本的模型注意力,从而提高了临床适用性.
• 这种方法为推进医疗诊断中的AI提供了一个有希望的方向.