Автоматизированное создание структурированных радиологических отчетов с богатым клиническим контекстом

Automated Structured Radiology Report Generation with Rich Clinical Context

October 1, 2025

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

cs.AI

Аннотация

Автоматизированное создание структурированных радиологических отчетов (SRRG) на основе рентгеновских снимков грудной клетки обладает значительным потенциалом для снижения нагрузки на радиологов путем генерации отчетов в структурированных форматах, обеспечивающих ясность, согласованность и соответствие клиническим стандартам отчетности. В то время как радиологи эффективно используют доступный клинический контекст в своем диагностическом процессе, существующие системы SRRG игнорируют эти важные элементы. Этот фундаментальный пробел приводит к критическим проблемам, включая временные галлюцинации при ссылках на несуществующий клинический контекст. Для устранения этих ограничений мы предлагаем контекстуализированный SRRG (C-SRRG), который комплексно учитывает богатый клинический контекст для SRRG. Мы создаем набор данных C-SRRG, интегрируя всесторонний клинический контекст, включающий 1) многопроекционные рентгеновские снимки, 2) клинические показания, 3) методы визуализации и 4) предыдущие исследования с соответствующими сравнениями на основе истории пациента. Проведя обширное тестирование с использованием современных мультимодальных языковых моделей, мы демонстрируем, что включение клинического контекста с предложенным C-SRRG значительно улучшает качество генерации отчетов. Мы публикуем набор данных, код и контрольные точки для содействия будущим исследованиям в области автоматизированного создания радиологических отчетов, ориентированных на клиническую практику, по адресу 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.