用于胸部X光报告生成的弱监督对比学习
计算与语言
2021-09-28 v1
摘要
放射学报告生成旨在从放射学图像自动生成描述性文本，这可能为改善放射学报告与解读提供机会。典型设置是在图像-报告对上以交叉熵损失训练编码器-解码器模型，但由于正常发现主导数据集，其难以生成用于临床诊断的信息性句子。为应对该挑战并鼓励更临床准确的文本输出，我们提出了一种用于医学报告生成的新型弱监督对比损失。实验结果表明，我们的方法受益于将目标报告与错误但语义相近的报告进行对比。在两个公开基准上，它在临床正确性和文本生成指标上均优于先前工作。
引用
@article{arxiv.2109.12242,
title = {Weakly Supervised Contrastive Learning for Chest X-Ray Report Generation},
author = {An Yan and Zexue He and Xing Lu and Jiang Du and Eric Chang and Amilcare Gentili and Julian McAuley and Chun-Nan Hsu},
journal= {arXiv preprint arXiv:2109.12242},
year = {2021}
}
备注
Findings of EMNLP 2021