基于丰富临床背景的自动化结构化放射报告生成
机器学习
2025-10-02 v1 人工智能
摘要
自动化结构化放射报告生成（SRRG）从胸片图像中生成结构化报告具有显著潜力，通过结构化格式确保报告的清晰性、一致性和遵循临床报告标准。虽然放射科医生有效地利用可用临床背景进行诊断推理，但现有SRRG系统忽略了这些关键元素。这一根本性差距导致包括在引用非存在临床背景时出现的temporal幻觉等关键问题。为解决这些限制，我们提出了以上下文为导向的SRRG（C-SRRG），全面整合丰富的临床背景用于SRRG。我们通过整合以下全面临床背景丰富化C-SRRG数据集：1）多视角X光图像，2）临床指征，3）影像技术，以及4）基于患者病史的旁往检查及其比较。通过与最先进的多模态大型语言模型进行广泛基准测试，我们证明了在提出的C-SRRG中整合临床背景显著提高了报告生成质量。我们公开发布数据集、代码和模型检查点以促进面向临床导向的自动化RRG未来研究，网址为 https://github.com/vuno/contextualized-srrg。
引用
@article{arxiv.2510.00428,
title = {Automated Structured Radiology Report Generation with Rich Clinical Context},
author = {Seongjae Kang and Dong Bok Lee and Juho Jung and Dongseop Kim and Won Hwa Kim and Sunghoon Joo},
journal= {arXiv preprint arXiv:2510.00428},
year = {2025}
}
备注
34 pages, 30 figures, preprint