自动化结构化放射学报告生成
计算与语言
2025-06-03 v2
摘要
从胸部 X 射线 (CXR) 图像自动生成放射学报告有望提高临床效率并减轻放射科医师的工作量。然而，大多数数据集，包括公开可用的 MIMIC-CXR 和 CheXpert Plus，完全由自由格式报告组成，这些报告本质上具有变异性和非结构化。这种变异性给生成和评估都带来了挑战：现有模型难以产生一致且具有临床意义的报告，而标准评估指标无法捕捉放射学解释的细微差别。为了解决这一问题，我们引入了结构化放射学报告生成 (SRRG)，这是一项新任务，将自由文本放射学报告重构为标准化格式，以确保清晰性、一致性和结构化的临床报告。我们利用大语言模型 (LLMs) 遵循严格的结构化报告要求，通过重构报告创建了一个新颖的数据集。此外，我们引入了 SRR-BERT，这是一个在 55 个标签上训练的细粒度疾病分类模型，能够对结构化报告进行更精确且基于临床信息的评估。为了评估报告质量，我们提出了 F1-SRR-BERT 指标，该指标利用 SRR-BERT 的层次化疾病分类法来弥合自由文本变异性与结构化临床报告之间的差距。我们通过五名获得委员会认证的放射科医师进行的阅读者研究以及广泛的基准实验验证了我们的数据集。
引用
@article{arxiv.2505.24223,
title = {Automated Structured Radiology Report Generation},
author = {Jean-Benoit Delbrouck and Justin Xu and Johannes Moll and Alois Thomas and Zhihong Chen and Sophie Ostmeier and Asfandyar Azhar and Kelvin Zhenghao Li and Andrew Johnston and Christian Bluethgen and Eduardo Reis and Mohamed Muneer and Maya Varma and Curtis Langlotz},
journal= {arXiv preprint arXiv:2505.24223},
year = {2025}
}
备注
Accepted to ACL Main 2025