通过去除对不存在既往报告的幻觉引用改进放射学报告生成系统
计算与语言
2022-10-14 v2 人工智能
机器学习
摘要
当前训练用于从胸部 X 光片生成放射学报告的深度学习模型，能够生成临床准确、清晰且可操作的文本，从而推进患者诊疗。然而，此类系统都受制于同一问题：对不存在的既往报告进行幻觉引用。产生此类幻觉是因为这些模型在真实世界患者报告的数据集上训练，而这些报告 inherently 引用既往报告。为此，我们提出两种去除放射学报告中既往报告引用的方法：（1）基于 GPT-3 的少样本方法重写无既往报告引用的医学报告；（2）基于 BioBERT 的 token 分类方法直接去除指代既往报告的词语。我们使用上述方法修改 MIMIC-CXR（一个公开可用的胸部 X 光片及其关联自由文本放射学报告数据集）；随后我们在适配的 MIMIC-CXR 数据集上重新训练放射学报告生成系统 CXR-RePaiR。我们发现重新训练的模型——称为 CXR-ReDonE——在临床指标上优于先前的报告生成方法，取得平均 BERTScore 0.2351（绝对提升 2.57%）。我们期望我们的方法能广泛地有助于使当前放射学报告生成系统更直接地整合进临床流程。
引用
@article{arxiv.2210.06340,
title = {Improving Radiology Report Generation Systems by Removing Hallucinated References to Non-existent Priors},
author = {Vignav Ramesh and Nathan Andrew Chi and Pranav Rajpurkar},
journal= {arXiv preprint arXiv:2210.06340},
year = {2022}
}
备注
13 pages, 1 figure, 11 tables