Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

MCA-RG : Amélioration des LLM grâce à l'alignement des concepts médicaux pour la génération de rapports de radiologie

Created by
  • Haebom

Auteur

Qilong Xing, Zikai Song, Youjia Zhang, Na Feng, Junqing Yu, Wei Yang

Contour

Cet article propose un cadre de génération de rapports radiologiques alignés sur les concepts médicaux (MCA-RG) afin de relever les défis liés à la correspondance précise des caractéristiques pathologiques et anatomiques avec les descriptions textuelles lors de l'application de modèles linguistiques à grande échelle (LLM) à la génération de rapports d'imagerie médicale (RRG), ainsi que la difficulté de générer des rapports diagnostiques précis en raison de l'extraction de caractéristiques sémantiquement non pertinentes. MCA-RG s'appuie sur deux banques de concepts organisées – une banque de pathologie contenant des connaissances liées à la pathologie et une banque d'anatomie contenant des descriptions anatomiques – pour aligner explicitement les caractéristiques visuelles sur les concepts médicaux individuels. Il propose une procédure d'apprentissage contrastif basée sur l'anatomie afin d'améliorer la généralisation des caractéristiques anatomiques et la perte de correspondance pour les caractéristiques pathologiques afin de prioriser les régions cliniquement pertinentes. De plus, il utilise un mécanisme de filtrage des caractéristiques pour filtrer les caractéristiques conceptuelles de faible qualité et utilise les caractéristiques visuelles correspondant aux concepts médicaux individuels pour guider le processus de génération de rapports. Des expériences sur deux benchmarks accessibles au public, MIMIC-CXR et CheXpert Plus, démontrent que MCA-RG atteint d'excellentes performances.

Takeaways, Limitations_

•
Takeaways:
◦
Amélioration de la précision de la génération de rapports d'images médicales : Amélioration de la précision de la génération de rapports d'images médicales grâce à une cartographie précise des caractéristiques pathologiques et anatomiques aux descriptions textuelles.
◦
Résolution du problème d’extraction de caractéristiques sémantiquement non pertinentes : Nous avons résolu le problème d’extraction de caractéristiques sémantiquement non pertinentes en alignant explicitement les concepts médicaux avec les caractéristiques visuelles.
◦
Exploiter les connaissances basées sur les concepts : nous avons exploité une banque organisée de concepts médicaux pour permettre la génération de rapports basés sur les connaissances.
◦
Amélioration des performances grâce à l'apprentissage contrastif et à la perte d'appariement : nous avons amélioré les performances de généralisation et la pertinence clinique du modèle grâce à l'apprentissage contrastif basé sur l'anatomie et à la perte d'appariement aux caractéristiques pathologiques.
◦
Filtrage des fonctionnalités de faible qualité : les fonctionnalités conceptuelles de faible qualité ont été efficacement supprimées grâce à un mécanisme de filtrage des fonctionnalités.
◦
Nous démontrons l’efficacité de la méthode proposée en obtenant d’excellentes performances sur deux benchmarks publics : MIMIC-CXR et CheXpert Plus.
•
Limitations:
◦
Dépendance de la banque de concepts organisée : les performances peuvent dépendre de la qualité et de la portée de la banque de concepts organisée. L'incomplétude ou les biais de la banque peuvent affecter les performances du modèle.
◦
Adaptabilité aux nouveaux concepts médicaux : Des recherches supplémentaires sont nécessaires sur l’adaptabilité aux nouveaux concepts médicaux ou aux nouvelles maladies.
◦
Interprétabilité : Des recherches supplémentaires sont nécessaires pour accroître l’interprétabilité du processus décisionnel du modèle.
◦
Applicabilité clinique : une validation supplémentaire de l’applicabilité dans des contextes cliniques réels est nécessaire.
👍
Made with Slashpage