Generación Automatizada de Informes Radiológicos Estructurados con Contexto Clínico Enriquecido

Automated Structured Radiology Report Generation with Rich Clinical Context

October 1, 2025

Autores: Seongjae Kang, Dong Bok Lee, Juho Jung, Dongseop Kim, Won Hwa Kim, Sunghoon Joo

cs.AI

Resumen

La generación automatizada de informes radiológicos estructurados (SRRG, por sus siglas en inglés) a partir de imágenes de rayos X de tórax ofrece un potencial significativo para reducir la carga de trabajo de los radiólogos al generar informes en formatos estructurados que garantizan claridad, consistencia y adherencia a los estándares de informes clínicos. Mientras que los radiólogos utilizan eficazmente los contextos clínicos disponibles en su razonamiento diagnóstico, los sistemas SRRG existentes pasan por alto estos elementos esenciales. Esta brecha fundamental conduce a problemas críticos, incluyendo alucinaciones temporales al hacer referencia a contextos clínicos inexistentes. Para abordar estas limitaciones, proponemos SRRG contextualizado (C-SRRG), que incorpora de manera integral un contexto clínico enriquecido para SRRG. Creamos el conjunto de datos C-SRRG integrando un contexto clínico completo que abarca 1) imágenes de rayos X multivista, 2) indicación clínica, 3) técnicas de imagen y 4) estudios previos con comparaciones correspondientes basadas en los historiales de los pacientes. A través de una evaluación exhaustiva con modelos de lenguaje multimodal de última generación, demostramos que la incorporación del contexto clínico con el C-SRRG propuesto mejora significativamente la calidad de la generación de informes. Publicamos el conjunto de datos, el código y los puntos de control para facilitar futuras investigaciones sobre la generación automatizada de informes radiológicos alineados clínicamente en 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.