Automatically Generating Narrative-Style Radiology Reports from Volumetric CT Images; a Proof of Concept

世界面临放射科医师短缺的问题，导致治疗时间更长，压力增加，对患者安全和劳动力士气产生负面影响。将人工智能整合到放射学图像解读和生成描述性报告中是一个有前途的解决方案。然而，目前对于生成体积医学图像自然语言描述的研究有限。该研究介绍了一个基于深度学习的概念验证模型，用于准确识别体积CT数据中的异常并生成叙述风格的报告。评估了各种编码器-解码器模型在临床相关和替代任务中的有效性。临床相关任务涉及识别和描述肺结节和胸腔积液，而替代任务涉及识别和描述人工异常，如镜像、旋转和肺叶阻塞。结果显示，在检测人工异常组合方面有很高的准确性，最佳模型在一个均匀分布的11类问题的独立数据集上实现了0.97的分类准确性。此外，最佳模型始终以自然语言生成连贯的放射学报告，下一个单词的预测准确率为0.84。此外，65%的报告在识别人工异常方面是事实准确的。不幸的是，这些模型在临床相关任务中并未复制这种成功。总的来说，该研究为科学界尚未完全解决的挑战提供了一个工作的概念验证模型。鉴于在替代任务上的成功，向临床相关任务的跨越似乎是可行的。获取一个数量显著更大的高质量数据集似乎是最有前途的前进道路，同时需要更多的计算资源进行端到端模型训练。

如何利用人工智能技术解决放射学医生短缺的问题，提高诊断效率和准确性？

利用深度学习模型对CT数据进行处理，识别异常，生成自然语言描述的放射学报告。

论文设计了多种编码器-解码器模型，通过对人工制造的异常数据和真实临床数据进行测试，发现在人工异常数据上表现出色，但在临床数据上表现不佳。模型生成的自然语言报告准确性较高，但仍存在改进的空间。

相关论文包括："Deep Learning in Medical Image Analysis"，"Artificial Intelligence for Medical Image Analysis: A Guide for Authors and Reviewers"等。