Automatisierte Generierung strukturierter radiologischer Berichte mit umfangreichem klinischem Kontext

Automated Structured Radiology Report Generation with Rich Clinical Context

October 1, 2025

papers.authors: Seongjae Kang, Dong Bok Lee, Juho Jung, Dongseop Kim, Won Hwa Kim, Sunghoon Joo

cs.AI

papers.abstract

Die automatisierte Erstellung strukturierter Radiologieberichte (SRRG) aus Röntgenaufnahmen des Brustkorbs bietet erhebliches Potenzial, die Arbeitsbelastung von Radiologen zu verringern, indem Berichte in strukturierten Formaten erstellt werden, die Klarheit, Konsistenz und die Einhaltung klinischer Berichtsstandards gewährleisten. Während Radiologen verfügbare klinische Kontexte effektiv in ihre diagnostische Argumentation einbeziehen, übersehen bestehende SRRG-Systeme diese wesentlichen Elemente. Diese grundlegende Lücke führt zu kritischen Problemen, einschließlich zeitlicher Halluzinationen, wenn auf nicht existierende klinische Kontexte Bezug genommen wird. Um diese Einschränkungen zu überwinden, schlagen wir kontextualisierte SRRG (C-SRRG) vor, die umfassend reiche klinische Kontexte für SRRG integriert. Wir erstellen den C-SRRG-Datensatz durch die Integration umfassender klinischer Kontexte, die 1) Mehrbild-Röntgenaufnahmen, 2) klinische Indikationen, 3) Bildgebungstechniken und 4) vorherige Studien mit entsprechenden Vergleichen basierend auf der Patientenhistorie umfassen. Durch umfangreiche Benchmarking-Tests mit modernsten multimodalen großen Sprachmodellen zeigen wir, dass die Einbeziehung klinischer Kontexte mit dem vorgeschlagenen C-SRRG die Qualität der Berichterstellung signifikant verbessert. Wir veröffentlichen den Datensatz, den Code und die Checkpoints, um zukünftige Forschungen zur klinisch ausgerichteten automatisierten RRG zu fördern, unter https://github.com/vuno/contextualized-srrg.

English

Automated structured radiology report generation (SRRG) from chest X-ray images offers significant potential to reduce workload of radiologists by generating reports in structured formats that ensure clarity, consistency, and adherence to clinical reporting standards. While radiologists effectively utilize available clinical contexts in their diagnostic reasoning, existing SRRG systems overlook these essential elements. This fundamental gap leads to critical problems including temporal hallucinations when referencing non-existent clinical contexts. To address these limitations, we propose contextualized SRRG (C-SRRG) that comprehensively incorporates rich clinical context for SRRG. We curate C-SRRG dataset by integrating comprehensive clinical context encompassing 1) multi-view X-ray images, 2) clinical indication, 3) imaging techniques, and 4) prior studies with corresponding comparisons based on patient histories. Through extensive benchmarking with state-of-the-art multimodal large language models, we demonstrate that incorporating clinical context with the proposed C-SRRG significantly improves report generation quality. We publicly release dataset, code, and checkpoints to facilitate future research for clinically-aligned automated RRG at https://github.com/vuno/contextualized-srrg.