Expert Insight-Enhanced Follow-up Chest X-Ray Summary Generation

这篇胸部X光放射学报告描述了异常发现，不仅包括当前检查中获得的X光，还包括与先前检查的X光相比，疾病进展或设备放置的变化。自动生成放射学报告的大部分工作都涉及报告前者而不是后者类型的发现。据作者所知，只有一项工作致力于生成后续总结，即后续总结。因此，在这项研究中，我们提出了一个基于变压器的框架来解决这个任务。受到我们对医学词汇对总结生成的忠实度的重要性的观察的启发，我们引入了两种机制来赋予我们的模型专家见解，即专家软指导和掩蔽实体建模损失。前一机制采用预训练的专家疾病分类器来指导特定异常的存在水平，而后者则将模型的注意力引向医学词汇。进行了大量实验，证明我们的模型的性能与或超过了最先进技术。

本论文旨在解决胸部X射线放射学报告中的疾病进展或设备放置变化等后续发现的自动生成总结问题，提出了一种基于Transformer的框架。

论文提出了两种机制来赋予模型专家见解，即专家软指导和掩蔽实体建模损失，并证明了该模型的性能优于当前的最新技术。

论文使用了预训练的疾病分类器来指导特定异常的存在水平，同时引导模型注意医学词汇。实验结果表明，该模型的性能优于当前的最新技术。

目前只有一项工作专门研究生成这种类型的总结，而本论文提出的方法在这一领域中具有竞争力。相关研究包括：《A Survey on Medical Image Captioning》、《Automated Radiology Reports》等。