RaDialog: Large Vision-Language Models for X-Ray Reporting and Dialog-Driven Assistance

رادیولوژی یکی از ارکان حیاتی در تصمیم‌گیری‌های بالینی است و گزارش‌های آن نقشی کلیدی در ارتباط بین رادیولوژیست‌ها و دیگر پزشکان دارند. با رشد حجم داده‌های تصویربرداری، نیاز به سیستم‌های گزارش‌نویسی خودکار و هوشمند بیش از پیش احساس می‌شود. در این مقاله، RaDialog مدل جدیدی از سیستم‌های گزارش‌نویسی مبتنی بر هوش مصنوعی است که از مدل‌های بزرگ Vision-Language برای تولید و اصلاح گزارش‌های رادیولوژی استفاده می‌کند. این مدل با هدف کمک به رادیولوژیست‌ها و بهبود جریان کار طراحی شده است.

ویژگی‌های اصلی مدل RaDialog
مدل زبانی–بینایی برای تولید و ویرایش گزارش‌های رادیولوژی، به‌ویژه برای تصاویر X-ray قفسه سینه، توسعه یافته است.
قابلیت گفت‌وگومحور برای تعامل با پزشک و اصلاح گزارش‌ها به‌طور سریع و دقیق.
استفاده از آموزش مبتنی بر دستورالعمل برای ارتقای عملکرد در وظایف مختلف مانند تولید گزارش، برداشت و پرسش و پاسخ.

نقاط قوت مدل RaDialog
صحت بالینی بالا: تا ۱۵٪ بهبود در دقت تشخیص و تا ۲۳٪ بهبود در وظایف تعاملی نسبت به مدل‌های قبلی.
قابلیت گفت‌وگومحور: تعامل با کاربر و دریافت بازخورد به‌طور مستمر در حین تولید گزارش‌ها.
زمان تولید گزارش سریع: میانگین زمان تولید گزارش تنها یک ثانیه است که استفاده‌ی عملی در محیط بالینی را ممکن می‌سازد.

مقایسه با مدل‌های مشابه
RaDialog در معیارهای صحت بالینی (CE) و شباهت متنی (BertScore) عملکرد بهتری نسبت به مدل‌های مشابه مانند LLaVA-Med و R2GenGPT دارد.
رادیولوژیست‌ها در بیش از ۸۰٪ موارد خروجی RaDialog را ترجیح داده‌اند.

کاربردهای بالینی و آینده‌پژوهی
تولید و تصحیح گزارش‌های گفت‌وگومحور: ایجاد گزارش‌های اولیه و تعامل سریع با پزشکان برای اصلاح آن‌ها.
پشتیبانی از وظایف روتین: مانند خلاصه‌سازی و ترجمه برای بیماران.
کنترل کیفیت: تعامل انسان-ماشین برای بهبود مستمر گزارش‌ها.

مسیر توسعه آینده:
بهبود تشخیص یافته‌های نادر.
ارتقای کیفیت داده‌های آموزشی.
توسعه رابط‌های تعامل‌پذیر برای استفاده عملی در محیط‌های بالینی.

ترجمه و تلخیص: ابراهیم حیادر