S-RRG-Bench：结构化放射学报告生成及其细粒度评估框架
计算机视觉与模式识别
2025-08-05 v1
摘要
放射学报告生成 (RRG) 对于诊断性影像（如胸片）在临床实践和人工智能领域发挥关键作用。传统的自由文本报告存在冗余和语言不一致的问题，使提取关键临床细节变得复杂。结构化放射学报告生成 (S-RRG) 提供了可行的解决方案，通过组织标准化、简洁格式的信息来实现这一目标。然而，现有方法常依赖基于分类或基于视觉问答 (VQA) 的管道，这些管道需要预定义的标签集合并仅产生碎片化输出。基于模板的方法进一步牺牲表达力，常常遗漏临床上重要细节。本文提出了一种新颖的S-RRG方法，包括数据集构建、模型训练以及新的评估框架。我们首先创建一个健壮的胸片数据集 (MIMIC-STRUC)，包含疾病名称、严重程度、概率和解剖位置，确保数据集在临床相关性和结构化方面都达到高标准。我们训练一个基于大语言模型的模型，以生成标准化、高质量的报告。为评估生成的报告，我们提出一种特殊评估指标 (S-Score)，不仅衡量疾病预测准确度，还评估疾病特定细节的精确度，从而为报告质量提供临床有意义的度量，聚焦于临床决策和人类评估中至关重要的要素。我们的做法凸显了结构化报告的有效性以及针对S-RRG的定制化评估指标的重要性，为报告质量提供更贴近临床的度量。
引用
@article{arxiv.2508.02082,
title = {S-RRG-Bench: Structured Radiology Report Generation with Fine-Grained Evaluation Framework},
author = {Yingshu Li and Yunyi Liu and Zhanyu Wang and Xinyu Liang and Lingqiao Liu and Lei Wang and Luping Zhou},
journal= {arXiv preprint arXiv:2508.02082},
year = {2025}
}