MIMIC-CXR, a de-identified publicly available database of chest radiographs with free-text reports
PulseAugur coverage of MIMIC-CXR, a de-identified publicly available database of chest radiographs with free-text reports — every cluster mentioning MIMIC-CXR, a de-identified publicly available database of chest radiographs with free-text reports across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新的 MambaXray-PRB 框架增强了 AI 驱动的 X 光报告生成
研究人员开发了一个名为 MambaXray-PRB 的新基准和框架，用于使用大型模型进行 X 光报告生成 (RRG)。该框架解决了标准化基准和通用大型模型在医学 AI 中的领域适应性方面的局限性。MambaXray-PRB 采用三阶段预训练过程，包括自监督自回归建模、X 光报告对比学习以及用于推理和报告生成的后训练优化。在包括新发布的 CheXpert Plus 在内的多个数据集上进行的实验证明了该框架在提高报告生成性能和可解释性方面的有效性。
-
新的AI框架MedCertAIn增强了具有不确定性感知的临床风险预测
研究人员开发了MedCertAIn，一个旨在提高临床环境中使用的AI模型的可靠性和不确定性估计的新框架。该框架专门解决了整合多模态数据（如患者时间序列数据和胸部X光图像）以预测院内死亡风险的挑战。通过采用考虑跨模态相似性和模态特定数据损坏的数据驱动先验，MedCertAIn旨在为高风险临床应用提供更安全、更值得信赖的预测。
-
放射学AI报告评估指标对报告变化的敏感性
一篇新的研究论文强调了放射科医生报告实践的差异如何显著影响基于AI的放射学报告生成（RRG）模型的评估。该研究引入了一种称为ReRef的方法来重写参考报告，证明术语、格式或细节的变化会改变模型排名。例如，在参考报告中精简正常发现导致一个模型性能下降，而另一个模型性能上升，这表明当前的指标可能无法充分区分临床解释和报告风格。研究人员发布了一个新的数据集MIMIC-CXR-Ext-ReRef，以帮助该领域的未来研究。
-
新的CNN-BiLSTM框架提供事实依据的生物医学文本摘要
研究人员开发了一种结合一维卷积神经网络（1D-CNN）和双向长短期记忆网络（BiLSTM）模型的新混合框架，用于生物医学和临床文本的抽取式摘要。该方法旨在通过直接从源材料中选择和重排句子来防止抽象式摘要中常见的factual不准确性。该模型在PubMed和MIMIC-CXR数据集上表现强劲，优于简单的CNN和LSTM基线模型，并表明结构约束可以带来更值得信赖的摘要系统。
-
ModaLens 审计显示医学视觉语言模型更依赖文本而非图像
研究人员开发了 ModaLens，一种用于衡量医学领域视觉语言模型（VLM）敏感性的新审计方法。使用 MIMIC-CXR 数据上的 MedGemma-27B 模型，研究发现，当放射学报告可用时，模型的图像数据依赖性会显著降低。具体而言，当报告存在时，模型的答案仅改变 4.26%，而当报告不存在时则改变 20.94%，这表明文本报告严重影响了模型的输出，可能以牺牲视觉解释为代价。
-
新型AI模型NeoRed提升新生儿呼吸系统疾病诊断能力
研究人员开发了NeoRed，这是一种专门用于诊断新生儿呼吸系统疾病的新型多模态大语言模型。该模型解决了现有系统存在的局限性，例如以成人为中心的数据带来的领域差距以及缺乏整合的临床背景。NeoRed采用了知识-逻辑-对齐框架，整合了诊断先验知识，将报告语义与诊断逻辑对齐，并确保视觉特征与影像学结论之间的对应关系。实验表明，NeoRed在新生儿诊断报告生成方面优于现有模型，并在成人基准测试中保持了竞争力。
-
LLM在放射学报告准确性和纵向数据提取方面的评估 · 已追踪2个来源
研究人员正在探索使用大型语言模型（LLM）来提高放射学报告的质量和提取纵向信息。一项研究将领域特定的BERT模型与开源LLM（如Qwen3-32B、Gemma-3:27B和Llama-3.3-70B）进行了比较，用于检测PET/CT报告中的错误，发现紧凑的领域特定模型取得了更高的准确性。另一篇论文开发了一个基于LLM的管道，利用Qwen2.5-32B自动标注放射学报告中的纵向信息，为评估报告生成模型创建了一个标准化的基准。
-
新的离散扩散模型增强了放射报告生成
研究人员开发了DRRG，一种用于放射报告生成的创新离散扩散框架，超越了传统的自回归模型。这种新方法允许对报告进行迭代优化，模仿放射科医生使用的过程，并解决了诸如逐个标记生成中常见的错误传播问题。DRRG包含一个临床实体感知掩码和一个概念条件模块，以提高生成报告的质量和临床一致性，在MIMIC-CXR和CheXpert Plus数据集上表现强劲。
-
新型因果模型增强胸部X光片解读和可解释性
研究人员开发了XpertCausal，这是一种新颖的因果概念瓶颈模型，旨在增强胸部X光片解读的可解释性。与以往的判别式方法不同，该模型显式地模拟了从疾病到放射学发现的生成过程。通过结合放射科医生指导的因果结构和专家领域知识，XpertCausal在MIMIC-CXR数据集上的分类准确性、校准和临床解释质量方面均表现出改进的性能。
-
新的基准CRS-Bench评估医学图像编码器的可靠性
研究人员开发了CRS-Bench，一个旨在评估医学图像编码器可靠性的新基准。与之前仅关注判别能力的旧方法不同，CRS-Bench从判别能力、校准能力、标签效率和鲁棒性四个维度评估编码器。该基准使用了来自皮肤病学、眼科学和放射学的数据集，包括一个CheXpert-to-MIMIC-CXR的迁移，以模拟机构变化。引入了临床可靠性得分（CRS）作为结合这些维度的复合指标，比传统的AUROC分数提供了更全面的医学图像编码器选择方法。
-
新的LLM框架可自动生成放射学报告和模板 · 跟踪2个来源
研究人员开发了使用大型语言模型（LLM）改进放射学报告生成的新方法。其中一种方法ASTAR，可自动从临床文本中创建标准化的放射学报告模板，显著缩短开发时间，并且优于专家策定的模板。另一种方法侧重于图监督分层临床对齐，通过在疾病特定和报告级别语义连贯性上进行结构化监督，来提高报告的临床准确性。后一种方法表明，改进监督比仅仅增加模型规模更有效，一个较小的模型在关键指标上优于较大的模型。
-
新的MLLM通过3D上下文和不确定性推理增强放射学AI · 跟踪3个来源
研究人员正在推进用于放射学的多模态大语言模型（MLLM），超越简单的图像分析，实现复杂推理。一篇论文介绍了一个框架，该框架解决了容积放射学数据与当前MLLM之间的表示不匹配问题，强调了需要能够保留和整合3D空间上下文的系统。另一种方法侧重于不确定性感知重新审视推理，模型动态地重新检查不确定的区域以完善解释，在基准数据集上取得了最先进的结果。第三项开发介绍了RadFound，一个专门在海量放射学数据集上训练的开源MLLM，在各种成像模态…
-
胸部X光基础模型显示出复杂的公平性权衡
一篇新研究论文探讨了不同的适应性策略如何影响医学影像基础模型的公平性。该研究聚焦于胸部X光分析，评估了三种参数高效的适应技术：线性头、MLP和注意力池化。使用MIMIC-CXR数据集，研究人员发现，虽然注意力池化提供了最佳的整体分类性能，但它并未持续减少跨种族和性别等亚组的差异。有趣的是，对受保护属性更强的编码并不与更大的性能差距相关，而编码种族信息的早期网络层显示出最大的亚组差异。研究结果表明，准确性的提高并不自动转化为更好的公平性…
-
新型AI模型Mr.Dec利用每日电子病历和X光数据预测医院再入院
研究人员开发了Mr.Dec，这是一种新颖的多模态模型，旨在通过分析纵向患者数据来预测30天内的医院再入院。与以往压缩患者病史的方法不同，Mr.Dec以时间对齐的序列处理每日电子健康记录更新和胸部X光检查结果，模拟临床工作流程。该模型利用Transformer Decoder架构和疾病特异性监督对比学习来捕捉动态患者轨迹，并识别入院期间的关键日期以进行实时风险分层。在MIMIC-IV和MIMIC-CXR数据集上的评估表明，Mr.Dec通…
-
新的DPO-Clin框架提高了AI医学报告的准确性
研究人员开发了DPO-Clin，一个旨在提高医学报告生成模型准确性的新框架。该方法通过关注临床发现和跨模态对齐来解决AI生成报告中的事实错误。DPO-Clin使用一个实体级临床诊断模块来隔离临床差异，并使用检索增强的多模态DPO变体来强制执行视觉-文本对齐。在胸部X光和内窥镜数据集上的实验表明，DPO-Clin的性能优于现有方法，并提高了模型的可靠性。
-
新研究发现医疗AI训练数据不可靠 · 已追踪2个来源
两篇新研究论文强调了使用公共数据集训练医疗AI模型（尤其是在胸部X光片分析方面）的关键问题。第一篇论文聚焦于视觉语言模型，发现与机构参考标准的协议因地点和发现而异，表明需要进行特定地点的重新评估。第二篇论文引入了一个框架，用于根据专家注释审计存储库标签，揭示了MIMIC-CXR数据集中心脏肥大的协议几乎为零，并强调了存储库派生标签作为真实情况的不可靠性。
-
新框架和排行榜旨在标准化 AI 放射学报告生成
研究人员推出了 ReXrank，这是一个公共排行榜和挑战，旨在标准化放射学报告生成 AI 模型的评估。该框架利用大型测试数据集 ReXGradient 和现有公共数据集来评估模型在各种指标上的性能。同时，RadFusion 提出了一个新颖的框架，允许进行阈值可控的放射学报告生成，通过平衡敏感性和特异性来适应不同的临床需求。另一项研究探索了用于 3D 放射学报告生成的高效视觉上下文，研究了如何优化视觉标记到基础视觉编码器和大语言模型的分…
-
HarMoE 框架通过多源预训练增强胸部 X 光 VLM
研究人员开发了 HarMoE，一个用于在胸部放射影像上预训练视觉语言模型（VLM）的新颖框架。与之前主要依赖 MIMIC-CXR 的图像-报告对齐的方法不同，HarMoE 利用了多个异构的分类数据集。这种方法旨在学习共享的医学语义，同时分离数据集特定的变异。该框架使用统一的疾病词汇表和掩码多数据集监督来提高零样本分类和分布外迁移能力。
-
AI通过新的推理和对齐框架推动放射学报告生成 · 已追踪4个来源
研究人员开发了几个新框架，以使用AI改进放射学报告生成。HERO通过将策略优化分解为推理、诊断和证据关联来优化多模态大型语言模型，在MIMIC-CXR和IU-Xray数据集上显示出最先进的临床疗效。PDD-RRG引入了一个后验诊断决策阶段，通过整合潜在冲突的诊断来完善报告，使用贝叶斯后验概率，在不重新训练的情况下增强现有模型。RadPRISM使用模式分层监督来对齐专用视觉子空间内的临床概念，改进了零样本分类和视觉关联。PALM采用病理…
-
研究发现胸部X光机器学习性能受评估参考的严重影响
一篇新发表在arXiv上的研究论文探讨了评估参考对用于胸部X光分析的机器学习模型的性能指标的关键影响。研究强调，常用的报告衍生标签和通用图像质量指标可能无法准确反映临床判断。研究人员证明，改变这些评估参考会显著改变模型的排名方式，从而影响关于选择哪些方法进行进一步开发或部署的决策。该论文强调，评估参考的选择应成为该领域临床有效性的核心考量因素。