前沿分享 |人工智能助力胸部影像报告生成:Flamingo-CXR的应用与实践
研究背景
放射检验作为临床诊断的重要手段,在医学检验中起着十分重要的作用。然而,资深放射科医生的短缺使得放射科医生的工作量很大,从而导致患者诊断延误和临床决策中的潜在错误,这种问题在资源有限的地区更加突出。近年来,人工智能(AI)被广泛用于医学影像的辅助分析,涵盖病灶检测、分类和影像评分等。但是实现高质量的自动化影像报告生成仍面临着技术挑战,包括如何生成准确的诊断内容、如何适应不同的医疗场景以及如何确保报告的临床可用性。
研究方法
Flamingo-CXR模型在2个国际知名数据集上进行训练:①MIMIC-CXR,来自美国的急诊影像数据集,涵盖广泛的胸部疾病和正常影像;②IND1,来自印度的多场景数据集,包括住院和门诊病例,数据分布更贴近真实的医疗环境。
模型评估
图1 评估框架示意图
(a.AI模型生成报告与专家编写的报告比较(1)成对偏好测试(2)纠错任务;b.重复成对偏好测试,其中将AI模型生成再经专家编辑的报告与专家编写的报告进行比较)
研究结果与结论
AI生成报告的能力与表现
(a.对Flamingo-CXR的偏好报告根据评审员之间的协议级别进行分组;b.对Flamingo-CXR的偏好报告根据医生位置分组;c.对Flamingo-CXR的偏好报告根据正常报告与异常报告分组)
研究进一步探讨了AI与医生协作的方式, 当AI生成初稿后由医生进行校正时,协作生成的报告在临床接受度上显著提高: 在印度和美国的测试中,协作报告分别有71.2%和53.6%被认为与医生单独撰写的报告相当或更优。 这种模式显示了AI作为辅助工具的潜力,既节省了医生的时间,又能提高报告的标准化程度。
技术挑战与优化方向
尽管Flamingo-CXR在影像报告生成领域取得了进展,但仍存在以下技术挑战:
未来展望
提升低频病症的识别能力: 通过加入更多罕见病症的样本数据,加强AI在复杂病例中的表现。
文献来源:
Tanno, R., Barrett, D.G.T., Sellergren, A. et al. Collaboration between clinicians and vision–language models in radiology report generation. Nat Med (2024). https://doi.org/10.1038/s41591-024-03302-1
原文链接:
https://www.nature.com/articles/s41591-024-03302-1#citeas
分享者简介 ✦
链接:http://www.lewenyixue.com/2024/11/28/%E5%89%8D%E6%B2%BF%E5%88%86%E4%BA%AB%20%7C%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%8A%A9%E5%8A%9B%E8%83%B8%E9%83%A8%E5%BD%B1%E5%83%8F%E6%8A%A5%E5%91%8A%E7%94%9F%E6%88%90/