.png){kind=icon}
返回
Experience-guided multi-agent interpretable framework for radiology report summarization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cmpb.2025.109078.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 本文介绍了EMAI，一种用于放射报告摘要的创新框架，该框架集成了自演化最近邻显式经验归纳算法、可解释的发现分析模块和协作多智能体架构。经验归纳算法自动从历史报告中提取和概括知识，而发现分析模块分解并解释发现与印象之间的关系。多智能体框架自适应地确定何时以及如何利用经验或相关报告进行印象生成，动态集成各组件以提升生成印象的准确性和可解释性。
• EMAI在MIMIC-CXR和Open-I两个公开数据集上，相较于当前最佳基线方法，显著提升了印象预测的准确性和可解释性。归纳学习过程使大语言模型能够更好地从多样化案例数据中进行泛化，而可解释性机制提供有价值的解释，增强了生成结果的可信度。实验结果表明，所提出的框架在生成准确且可解释的印象方面具有有效性，突显其辅助放射科医师进行诊断和治疗规划的潜力。
• 强调了将大语言模型与基于智能体的框架相结合以改进临床决策并提升放射工作流效率的潜力。EMAI框架展示了大语言模型在捕获诊断知识和生成人类可读解释方面的优势，而多智能体架构允许动态整合经验和相关报告。这一结果不仅提升了放射报告摘要的质量，还提供了具有临床依据的信息，能够辅助放射科医师的日常实践。
期刊
IF:
4.8
论文数:
7.0K
被引数:
2.1W
机构
查看更多机构
引用论文
暂无论文信息