使用自动关键字调整,基于频率的多标签分类和文本对文本大语言模型生成放射学报告.
Zebang He1, Alex Ngai Nick Wong2, Jung Sun Yoo1
1Department of Health Technology and Informatics, The Hong Kong Polytechnic University, Kowloon, Hong Kong Special Administrative Region of China.
Computers in biology and medicine
|July 4, 2025
概括
这项研究引入了用于自动化放射学报告生成的新型深度学习框架,提高了可解释性和准确性. 该方法使用透明的关键词和大型语言模型来创建可靠,类似人类的报告,改善临床工作流程.
科学领域:
- 医疗成像中的人工智能
- 医疗保健的自然语言处理.
背景情况:
- 手动生成放射学报告是耗时的,容易出现延误.
- 现有的深度学习方法缺乏解释性和适应性.
研究的目的:
- 开发一种新的深度学习框架,用于解释和准确的放射学报告生成.
- 提高人工智能模型对不同临床环境的适应性.
主要方法:
- 用多标签分类来使用透明的关键词列表取代了黑盒功能.
- 实现了用于动态配置的自动关键字调整.
- 利用基于频率的策略来解决关键词不平衡的问题.
- 采用预先训练的文本对文本大语言模型 (LLM) 进行报告综合.
主要成果:
- 在IU-XRay和MIMIC-CXR数据集上比最先进的方法取得了更高的性能.
- 在报告生成中证明了更好的可解释性,准确性和可靠性.
- 废弃性研究证实了各个框架组件的稳定性和有效性.
结论:
- 开发了一种新的深度学习方法,用于高质量,可解释的放射学报告.
- 该框架解决了可解释性差距,并提供了一个灵活的自动化管道.
- 旨在减少放射科医生的工作量,并支持人 - 人工智能交互.
