Generazione Automatica di Referti Radiologici Strutturati con Ampio Contesto Clinico

Automated Structured Radiology Report Generation with Rich Clinical Context

October 1, 2025

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

cs.AI

Abstract

La generazione automatica di referti radiologici strutturati (SRRG) da immagini radiografiche del torace offre un potenziale significativo per ridurre il carico di lavoro dei radiologi, producendo referti in formati strutturati che garantiscono chiarezza, coerenza e aderenza agli standard di refertazione clinica. Mentre i radiologi utilizzano efficacemente i contesti clinici disponibili nel loro ragionamento diagnostico, i sistemi SRRG esistenti trascurano questi elementi essenziali. Questa lacuna fondamentale porta a problemi critici, tra cui allucinazioni temporali quando si fa riferimento a contesti clinici inesistenti. Per affrontare queste limitazioni, proponiamo un SRRG contestualizzato (C-SRRG) che incorpora in modo completo un ricco contesto clinico per la generazione di referti. Abbiamo curato un dataset C-SRRG integrando un contesto clinico completo che comprende 1) immagini radiografiche multi-proiezione, 2) indicazione clinica, 3) tecniche di imaging e 4) studi precedenti con confronti corrispondenti basati sulle storie dei pazienti. Attraverso un ampio benchmarking con modelli linguistici multimodali all'avanguardia, dimostriamo che l'incorporazione del contesto clinico con il C-SRRG proposto migliora significativamente la qualità della generazione dei referti. Rilasciamo pubblicamente dataset, codice e checkpoint per facilitare future ricerche sulla generazione automatica di referti radiologici allineati clinicamente all'indirizzo 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.