Radiology reports
PulseAugur coverage of Radiology reports — every cluster mentioning Radiology reports across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的LLM评估方法将放射学报告中的可回答性与提取能力分开
研究人员开发了一种新的评估方法，用于大型语言模型（LLM）在放射学报告上的问答，旨在将可回答性与提取能力分离开来。该方法将错误回答率和过度回避率与传统的F1分数分开，从而提供对模型性能更细致的理解。当应用于13个LLM时，该评估揭示了具有相似F1分数的模型之间错误回答率的显著差异，并表明提供一个无法回答的示例可以提高回避率，而不会损害提取质量。
-
新框架通过先进的视觉-语言对齐增强零样本胸部X射线分析
两篇新的研究论文介绍了用于医学影像视觉-语言预训练的先进框架，特别关注胸部X射线。SentZero通过扩展正例对多样性并减轻假阴性，增强了以句子为中心的预训练，从而提高了零样本泛化能力。PLRS-IC通过采用投影条件低秩残差相似性进行局部特征匹配，以及信息内容校准的软假阴性抑制进行全局优化，解决了胸部放射线摄影对齐中的双重歧义，在各种零样本基准任务中均显示出一致的改进。
-
新数据集和基准推动3D医学视觉-语言模型发展
研究人员推出了MetaStructAtlas，这是一个用于解释全身PET/CT扫描的新型数据集。该数据集包含共配准的3D PET和CT图像，以及广泛的器官级分割掩码和放射学报告。为了进一步推动该领域的发展，他们还开发了MetaStructVQA，一个用于3D接地式视觉问答的基准，该基准将诊断查询与扫描内的特定视觉证据联系起来。这项工作旨在改进核医学应用的3D医学视觉-语言模型。
-
新的ARC-CT框架通过视觉语言学习增强3D胸部CT分析
研究人员开发了ARC-CT，一个新颖的对比视觉语言学习框架，专门用于3D胸部CT扫描和放射学报告。该方法通过关注局部异常并减少具有相似发现的扫描之间的假阴性，解决了标准对比学习的局限性。ARC-CT使用一个用于区域感知证据定位的AnatomyQFormer，一个考虑标签重叠的软InfoNCE目标，以及一个器官级对齐损失。该框架表现强劲，使用ResNet-18骨干网络在18种异常情况下实现了0.86的无掩码宏观AUC，优于更大的Tran…
-
新AI框架通过缓解假阴性来改进3D医学影像分析
研究人员开发了多模态语义感知对比学习（MseaCL）框架，旨在提高AI模型在3D医学影像分析中的准确性。该方法通过整合放射学报告中的语义相似性来指导学习过程，解决了传统对比学习中的“假阴性”问题。当作为预训练阶段应用时，MseaCL已显示出显著的改进，包括儿童脑肿瘤分子分类AUC提高了22.6%，凸显了其在更稳健的临床应用中的潜力。
-
研究发现：放射科报告中的联邦学习带来重大的隐私风险
一项发表在arXiv上的新研究评估了在放射科报告背景下联邦学习（FL）相关的隐私风险。研究人员发现，即使使用更大的批次大小和像GPT-2、RadBERT和LLaMA-2这样的领域特定令牌生成器，也可以从模型更新中重建这些报告中的敏感信息。研究表明，令牌生成器的设计显著影响数据泄露的严重程度，这表明像安全聚合和差分隐私这样的保护措施对于满足HIPAA和GDPR等放射科自然语言处理（NLP）的监管要求至关重要。
-
新的ASAP框架增强了医学扫描表示学习
研究人员推出了一种新的预训练框架ASAP，旨在改进医学体数据（如胸部CT）表示的学习。该框架整合了解剖学知识，并将放射学报告中的文本发现动态地链接到扫描中的特定区域。ASAP在广泛的下游任务中展现了最先进的性能，尤其在监督有限或分布偏移的情况下表现出色。
-
EXACT 模型为 3D 胸部 CT 扫描提供可解释的异常检测
研究人员开发了 EXACT，这是一种用于分析 3D 胸部 CT 扫描的新型基础模型。该模型从配对的 CT 扫描和放射学报告中学习空间分辨表示，使其不仅能够诊断疾病，还能以可解释的视觉证据定位异常。EXACT 在超过 25,000 对 CT-报告数据上进行了预训练，利用解剖感知弱监督，无需手动体素级注释即可学习器官分割和异常定位。在评估中，EXACT 在各种 CT 任务中表现出显著的改进，优于现有的 3D 医学基础模型。