缩短 AI 与放射科医生在胸腔 X 光报告生成之间的绩效差距
计算与语言
2025-12-01 v1 人工智能
计算机视觉与模式识别
摘要
AI 辅助报告生成有望减少因筛查指南日益复杂、病例繁多以及人力资源短缺而导致的放射科医生工作负担，同时保持诊断准确性。除了在胸腔 X 光报告中描述病理发现外，解读放射线和管路（L&T）也是放射科医生面临的挑战且十分机械，尤其在高患者流量下更为如此。我们引入 MAIRA-X，这是一个临床评估过的多模态 AI 模型，用于横向胸腔 X 光（CXR）报告生成，涵盖临床发现与 L&T 报告。该模型开发基于梅奥诊所收集的 310 万项（包含 600 万张图像，来自 80.6 万名患者）的大规模、跨中心、横向数据集。在三个保留数据集和公开的 MIMIC-CXR 数据集上进行评估时，MAIRA-X 在词汇质量、临床正确性以及 L&T 相关要素方面均显著优于现有技术。我们开发了一种新型的 L&T 专用指标框架，用于评估类型、纵向变化和放置等属性在报告中的准确性。我们进行了首个针对放射科医生的回顾性用户评估研究，9 位经验各异的放射科医生匿名审阅了来自不同主体的 600 项研究。用户研究发现，原始报告的关键错误率为 3.0%，而 AI 生成报告的关键错误率为 4.6%；原始报告中可接受句子比例为 97.8%，AI 生成报告为 97.4%。这标志着该方法在此类用户研究中显著优于先前研究，后者通常存在更大的差距和更高的错误率。我们的结果表明，MAIRA-X 可以有效辅助放射科医生，尤其在高流量临床环境中。
引用
@article{arxiv.2511.21735,
title = {Closing the Performance Gap Between AI and Radiologists in Chest X-Ray Reporting},
author = {Harshita Sharma and Maxwell C. Reynolds and Valentina Salvatelli and Anne-Marie G. Sykes and Kelly K. Horst and Anton Schwaighofer and Maximilian Ilse and Olesya Melnichenko and Sam Bond-Taylor and Fernando Pérez-García and Vamshi K. Mugu and Alex Chan and Ceylan Colak and Shelby A. Swartz and Motassem B. Nashawaty and Austin J. Gonzalez and Heather A. Ouellette and Selnur B. Erdal and Beth A. Schueler and Maria T. Wetscherek and Noel Codella and Mohit Jain and Shruthi Bannur and Kenza Bouzid and Daniel C. Castro and Stephanie Hyland and Panos Korfiatis and Ashish Khandelwal and Javier Alvarez-Valle},
journal= {arXiv preprint arXiv:2511.21735},
year = {2025}
}