自动放射学报告生成:近期进展综述
微分几何
2024-05-20 v1
摘要
医学影像部门日益增长的需求正对放射科医生及时准确地出具报告的能力造成负担。人工智能领域近期的技术进展已展现出自动放射学报告生成(ARRG)的巨大潜力,引发了相关研究的爆发式增长。本文对当代 ARRG 方法进行了方法论综述,具体方式包括:(i) 依据可用性、规模和采用率等特征评估数据集;(ii) 审视对比学习和强化学习等深度学习训练方法;(iii) 探索 SOTA 模型架构,包括 CNN 和 Transformer 模型的变体;(iv) 概述通过多模态输入和知识图谱整合临床知识的技术;(v) 审查当前的模型评估技术,包括常用的 NLP 指标和定性临床评审。此外,本文分析了所综述模型的定量结果,并对表现最佳的模型进行了深入探讨以寻求更多见解。最后,本文强调了潜在的新方向,预测采用来自其他放射学模态的额外数据集和改进的评估方法是未来发展的重要领域。
引用
@article{arxiv.2405.10843,
title = {On the index of minimal hypersurfaces in $\mathbb{S}^{n+1}$ with $\lambda_1<n$},
author = {Hang Chen and Peng Wang},
journal= {arXiv preprint arXiv:2405.10843},
year = {2024}
}
备注
9 pages