Automated Radiology Report Generation: A Review of Recent Advances

要約

医用画像部門に対する要求の高まりにより、タイムリーで正確なレポートを提供する放射線科医の能力に大きな負担がかかっています。
人工知能における最近の技術進歩により、自動放射線レポート生成 (ARRG) の大きな可能性が実証され、研究が爆発的に増加しています。
この調査論文では、(i) 可用性、サイズ、採用率などの特性に基づいてデータセットを評価し、(ii) 対照学習や強化学習などの深層学習トレーニング方法を調査することにより、現代の ARRG アプローチの方法論的レビューを実施しています。
(iii) CNN およびトランスフォーマー モデルのバリエーションを含む、最先端のモデル アーキテクチャの探索、(iv) マルチモーダル入力およびナレッジ グラフを通じて臨床知識を統合する技術の概要の説明、(v) 一般に適用されているものを含む現在のモデル評価技術の精査
NLP 指標と定性的臨床レビュー。
さらに、レビューされたモデルの定量的な結果が分析され、最高のパフォーマンスを発揮するモデルが調査されてさらなる洞察が求められます。
最後に、他の放射線医学的モダリティからの追加データセットの採用と、将来の開発の重要な分野として予測される評価方法の改善により、潜在的な新しい方向性が強調されています。

要約(オリジナル)

Increasing demands on medical imaging departments are taking a toll on the radiologist’s ability to deliver timely and accurate reports. Recent technological advances in artificial intelligence have demonstrated great potential for automatic radiology report generation (ARRG), sparking an explosion of research. This survey paper conducts a methodological review of contemporary ARRG approaches by way of (i) assessing datasets based on characteristics, such as availability, size, and adoption rate, (ii) examining deep learning training methods, such as contrastive learning and reinforcement learning, (iii) exploring state-of-the-art model architectures, including variations of CNN and transformer models, (iv) outlining techniques integrating clinical knowledge through multimodal inputs and knowledge graphs, and (v) scrutinising current model evaluation techniques, including commonly applied NLP metrics and qualitative clinical reviews. Furthermore, the quantitative results of the reviewed models are analysed, where the top performing models are examined to seek further insights. Finally, potential new directions are highlighted, with the adoption of additional datasets from other radiological modalities and improved evaluation methods predicted as important areas of future development.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google