图增强学习驱动的自动放射学印象生成：融合额外知识与关键信息

本文主要探讨了在放射学领域中，利用图形增强对比学习技术来自动生成印象部分的创新方法。传统的放射学报告通常包含发现部分，详述医学观察细节，以及印象部分，即对发现结果的高度概括，这对于医生之间的交流至关重要。然而，由于这一过程耗时且易出错，特别是对于新手放射科医师，自动印象生成技术的研究受到了广泛关注。 以往的研究大多基于编码器-解码器架构，试图引入额外的知识辅助模型理解。这些知识可能包括静态预定义的临床本体或背景信息，但这些方法往往将这些知识独立编码，作为额外输入处理，未能充分利用它们与原始发现之间的内在关联。为解决这个问题，本文提出了一种统一的框架，将额外知识与原始发现信息整合起来，通过图神经网络（GNNs）模型图形编码，捕捉实体和关系信息。这种方法的关键在于，通过对比学习，强调研究结果中的关键词，使得正样本（非关键词被遮盖后的文本）与原始文本更接近，而负样本（关键词被遮盖）则被推远。这种策略有助于生成更加精准的印象。 实验结果显示，在OpenI和MIMIC-CXR这两个公开数据集上，该方法的有效性得到了验证。通过这种方法，放射科报告的生成过程不仅更为高效，而且有助于提升放射科医师的工作效率和准确性，特别是在临床实践中，对于提升医疗服务质量具有重要意义。 此外，值得注意的是，作者们为他们的研究提供了开源代码，这有利于学术界和业界进一步探索和应用这项技术。这篇论文不仅推动了医学图像分析中的自然语言处理技术发展，也为放射学报告自动化生成带来了新的可能性。