提升图像到文本放射学报告生成的事实完整性与一致性
计算与语言
2021-04-14 v2
摘要
神经图像到文本放射学报告生成系统有望通过减少报告起草的重复过程并识别可能的医疗错误来改进放射学报告。然而,现有报告生成系统尽管在CIDEr或BLEU等自然语言生成指标上取得高性能,仍受限于不完整与不一致的生成的困扰。在此我们引入两种新的简单奖励,以鼓励生成事实完整且一致的放射学报告:一种鼓励系统生成与参考一致的放射学领域实体,另一种利用自然语言推理鼓励以推理一致的方式描述这些实体。我们将这些与现有语义等价指标(BERTScore)的新颖使用相结合。我们进一步提出一种通过强化学习优化这些奖励的报告生成系统。在两个开放放射学报告数据集上,我们的系统将临床信息抽取的F1分数大幅提升+22.1(相对提升+63.9%)。我们通过人工评估与定性分析进一步表明,相较基线,我们的系统产生的生成在事实上更完整且一致。
引用
@article{arxiv.2010.10042,
title = {Improving Factual Completeness and Consistency of Image-to-Text Radiology Report Generation},
author = {Yasuhide Miura and Yuhao Zhang and Emily Bao Tsai and Curtis P. Langlotz and Dan Jurafsky},
journal= {arXiv preprint arXiv:2010.10042},
year = {2021}
}
备注
Accepted to NAACL-HLT 2021