Geautomatiseerde Gestructureerde Radiologieverslaggeneratie met Rijke Klinische Context

Automated Structured Radiology Report Generation with Rich Clinical Context

October 1, 2025

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

cs.AI

Samenvatting

Geautomatiseerde gestructureerde radiologieverslaggeneratie (SRRG) vanuit thoraxfoto's biedt aanzienlijk potentieel om de werkdruk van radiologen te verminderen door verslagen te genereren in gestructureerde formaten die duidelijkheid, consistentie en naleving van klinische rapportagestandaarden waarborgen. Hoewel radiologen effectief gebruik maken van beschikbare klinische contexten in hun diagnostische redenering, negeren bestaande SRRG-systemen deze essentiële elementen. Dit fundamentele gat leidt tot kritieke problemen, waaronder temporele hallucinaties bij het verwijzen naar niet-bestaande klinische contexten. Om deze beperkingen aan te pakken, stellen wij gecontextualiseerde SRRG (C-SRRG) voor, die uitgebreid rijke klinische context integreert voor SRRG. Wij hebben een C-SRRG-dataset samengesteld door uitgebreide klinische context te integreren, waaronder 1) multi-view thoraxfoto's, 2) klinische indicatie, 3) beeldvormingstechnieken, en 4) eerdere onderzoeken met bijbehorende vergelijkingen op basis van patiëntgeschiedenissen. Door uitgebreide benchmarking met state-of-the-art multimodale grote taalmodellen, tonen wij aan dat het integreren van klinische context met de voorgestelde C-SRRG de kwaliteit van verslaggeneratie aanzienlijk verbetert. Wij maken de dataset, code en checkpoints publiekelijk beschikbaar om toekomstig onderzoek naar klinisch afgestemde geautomatiseerde RRG te faciliteren op 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.