解剖学引导的放射科报告生成：路径学感知的区域提示
计算机视觉与模式识别
2024-11-19 v1
摘要
放射科报告生成式人工智能具有显著的潜力，可缓解临床工作负担并优化医疗护理。然而，实现高临床准确性颇具挑战，因为放射学图像常常包含细微病灶和复杂结构。现有系统大多不足，主要由于依赖固定大小的块级图像特征且未充分融入病理信息。这会导致对此类细微模式的忽视以及对关键病理学描述不一致。为解决这些挑战，我们提出一种创新方法，利用路径学感知的区域提示显式整合不同尺度的解剖学和病理学信息，显著提升生成报告的精度和临床相关性。我们开发了解剖区域检测器，从不同解剖区域提取特征，同时引入新型多标签病灶检测器识别全身性病理。该方法模拟放射科医生的诊断过程，生成具备全面诊断能力的临床准确报告。实验结果表明，我们的方法在大多数自然语言生成和临床效能指标上均优于以往最先进的方法，正式的专家评估也确认了其提升放射科实践的潜力。
引用
@article{arxiv.2411.10789,
title = {Anatomy-Guided Radiology Report Generation with Pathology-Aware Regional Prompts},
author = {Yijian Gao and Dominic Marshall and Xiaodan Xing and Junzhi Ning and Giorgos Papanastasiou and Guang Yang and Matthieu Komorowski},
journal= {arXiv preprint arXiv:2411.10789},
year = {2024}
}