PDD-RRG: 후방 진단 결정 기반 연구 레벨 방사선 보고서 생성

PDD-RRG: Posterior Diagnostic Decision for Study-level Radiology Report Generation

자동 방사선 보고서 생성(RRG)은 방사선사의 업무 흐름을 모방하여 임상 진단을 지원하는 것을 목표로 합니다. 그러나 기존 방법들은 종종 실제 임상 환경에서 사용되는 모든 관련 정보를 활용하지 못합니다. 일부 연구에서는 다중 이미지 및 과거 데이터를 통합하려는 시도가 있지만, 이러한 추가 입력은 때때로 불필요한 진단 오류를 초래할 수 있습니다. 이러한 문제점을 해결하기 위해, 우리는 보고서 생성 후 첫 번째로 의사 결정 단계를 도입하고, 잠재적으로 상충되는 진단을 통합하는 후방 진단 결정 프레임워크(PDD-RRG)를 제안합니다. 구체적으로, 우리는 다양한 입력 데이터 부분집합을 만들고 기존 RRG 모델을 사용하여 다양한 관점에서 보고서를 생성합니다. 그런 다음 각 임상적 관찰에 대한 베이지안 사후 확률과 학습된 임계값을 계산하여 집계된 진단 결론을 얻고, 이를 이후 생성된 보고서를 개선하는 데 사용합니다. MIMIC-CXR 데이터셋에 대한 실험 결과, 제안하는 PDD-RRG는 기존 RRG 모델의 임상적 효능을 효과적으로 향상시킬 수 있으며, 추가적인 재학습 없이도 가능함을 보여줍니다.

Automatic radiology report generation (RRG) aims to simulate the workflow of radiologists, assisting them in clinical diagnosis. However, existing methods often fall short in utilizing all information relevant to the examination, as is typically done in clinical practice. Although some works attempt to incorporate multi-view images and historical data, these additional inputs may sometimes lead to avoidable diagnostic errors on the contrary. To address these challenges, we introduce a decision-making stage after report generation for the first time and propose a Posterior Diagnostic Decision framework (PDD-RRG) to integrate potentially conflicting diagnoses. Specifically, we create various subsets of input data and utilize an existing RRG model to generate reports from different perspectives. Then the Bayesian posterior probability and the learned thresholds for each clinical observation are calculated to obtain an aggregated diagnostic conclusion, which is subsequently used to refine the generated report. Experiments on MIMIC-CXR demonstrate that our proposed PDD-RRG can effectively enhance the clinical efficacy of existing RRG models without any retraining.