Automated Radiology Report Generation: A Review of Recent Advances

医学影像科室对于快速准确报告的要求越来越高，这对于放射科医生的工作能力造成了一定的影响。近期，人工智能技术的进步为自动生成放射学报告（ARRG）提供了巨大的潜力，引发了大量研究。本文通过以下途径对当代ARRG方法进行了方法论审查：（i）评估基于数据集的特征，如可用性、大小和采用率；（ii）检查深度学习训练方法，如对比学习和强化学习；（iii）探索最先进的模型架构，包括CNN和Transformer模型的变体；（iv）通过多模态输入和知识图谱整合临床知识的技术；以及（v）审查当前的模型评估技术，包括常用的NLP指标和定性的临床评估。此外，还分析了审查模型的定量结果，其中对表现最佳的模型进行了进一步的研究。最后，本文强调了潜在的新方向，预测采用其他放射学模态的附加数据集和改进评估方法是未来发展的重要领域。

论文旨在解决医学影像科室面临的瓶颈问题，即放射科医师无法及时准确地提供报告。通过调查现有的自动生成放射学报告（ARRG）方法，探索如何在数据集、深度学习训练方法、模型架构、临床知识整合和模型评估等方面改进ARRG的性能。

本文提出了多种ARRG方法，包括使用对比学习、强化学习等深度学习方法，采用CNN和transformer等模型架构，整合临床知识，以及使用NLP指标和临床评估等方法进行模型评估。未来的研究方向包括使用其他放射学模态的数据集和改进评估方法。

本文对现有的ARRG方法进行了详细的调查和分析，提出了多种改进ARRG性能的方法。实验使用了多个数据集，并对模型的性能进行了评估和分析。本文提供了许多值得继续研究的方向和思路。

最近的相关研究包括：1. "Deep learning-based automatic radiology report generation: a systematic review"；2. "Automated radiology report generation using a hybrid natural language processing and deep learning approach"；3. "Radiology report generation using deep learning and domain-specific knowledge graphs"等。