Génération automatisée de rapports radiologiques structurés avec un contexte clinique détaillé

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

La génération automatisée de rapports radiologiques structurés (SRRG) à partir d'images radiographiques thoraciques offre un potentiel significatif pour réduire la charge de travail des radiologues en produisant des rapports dans des formats structurés qui garantissent clarté, cohérence et respect des normes de compte-rendu clinique. Alors que les radiologues utilisent efficacement les contextes cliniques disponibles dans leur raisonnement diagnostique, les systèmes SRRG existants négligent ces éléments essentiels. Cette lacune fondamentale entraîne des problèmes critiques, notamment des hallucinations temporelles lors de la référence à des contextes cliniques inexistants. Pour pallier ces limitations, nous proposons une approche contextualisée de SRRG (C-SRRG) qui intègre de manière exhaustive un riche contexte clinique pour la génération de rapports. Nous constituons un ensemble de données C-SRRG en intégrant un contexte clinique complet comprenant 1) des images radiographiques multi-vues, 2) l'indication clinique, 3) les techniques d'imagerie, et 4) les études antérieures avec les comparaisons correspondantes basées sur les antécédents des patients. Grâce à un benchmarking approfondi avec des modèles de langage multimodal de pointe, nous démontrons que l'intégration du contexte clinique avec la méthode C-SRRG proposée améliore significativement la qualité de la génération de rapports. Nous rendons publics l'ensemble de données, le code et les points de contrôle pour faciliter les recherches futures sur la génération automatisée de rapports radiologiques alignés sur la pratique clinique à l'adresse 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.