Geração Automatizada de Relatórios Radiológicos Estruturados com Contexto Clínico Rico

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

Resumo

A geração automatizada de relatórios radiológicos estruturados (SRRG, na sigla em inglês) a partir de imagens de raio-X do tórax oferece um potencial significativo para reduzir a carga de trabalho dos radiologistas ao gerar relatórios em formatos estruturados que garantem clareza, consistência e aderência aos padrões clínicos de relatórios. Embora os radiologistas utilizem efetivamente os contextos clínicos disponíveis em seu raciocínio diagnóstico, os sistemas SRRG existentes ignoram esses elementos essenciais. Essa lacuna fundamental leva a problemas críticos, incluindo alucinações temporais ao fazer referência a contextos clínicos inexistentes. Para abordar essas limitações, propomos o SRRG contextualizado (C-SRRG), que incorpora de forma abrangente o contexto clínico rico para o SRRG. Nós organizamos o conjunto de dados C-SRRG integrando um contexto clínico abrangente que engloba 1) imagens de raio-X multiview, 2) indicação clínica, 3) técnicas de imagem e 4) estudos anteriores com comparações correspondentes com base nos históricos dos pacientes. Por meio de extensos benchmarks com modelos de linguagem multimodal de última geração, demonstramos que a incorporação do contexto clínico com o C-SRRG proposto melhora significativamente a qualidade da geração de relatórios. Disponibilizamos publicamente o conjunto de dados, código e checkpoints para facilitar pesquisas futuras sobre a geração automatizada de relatórios radiológicos alinhados clinicamente em 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.