⏶6
转换感知最佳N选择采样用于纵向胸部X光报告
发表
由 
Halil Ibrahim Gulluk 提交
Halil Ibrahim Gulluk 提交作者: Halil Ibrahim Gulluk, 
Max Van Puyvelde, Wim Van Criekinge, Olivier Gevaert
Max Van Puyvelde, Wim Van Criekinge, Olivier Gevaert摘要
AI 生成总结
一种用于胸部 X 射线报告生成的新型免训练采样方法，它通过集合到集合距离度量编码先前和当前检查之间的变化，从而利用纵向患者历史数据。在纵向临床实践中，每张胸部X光片都是在患者先前检查的背景下解读的，放射科医生传达的大部分内容都是从一次就诊到下一次就诊的变化。据我们所知，我们提出了第一个无训练的最佳N采样方案，用于预训练的胸部X光报告生成器，该方案明确感知到这种纵向先验到当前转换。我们称之为转换感知最佳N采样，其中每份报告被分成句子并嵌入到Rd中的一个无序集合中；每个（先前，当前）对通过旨在编码两个集合之间变化的集合到集合距离被简化为固定维度的方向向量；候选报告通过其候选转换向量到真实训练转换向量缓存库的余弦距离进行评分，并聚合成min或kNN。我们用四种方向集合距离（均值偏移、新颖性残差、有向Hausdorff锚点和成本加权最优传输）实例化该框架，并在一个多访AP-PA队列上进行评估，在三个视觉语言生成器上运行三种提示下的推理。转换感知最佳N采样全面优于随机选择，在“印象”部分取得了最大的相对增益。
在纵向临床实践中，每张胸部X光片都是在患者既往检查的背景下判读的，放射科医生传达的大部分内容都是从一次就诊到下一次的变化。据我们所知，我们提出了首个无需训练的N最佳采样方案，用于预训练的胸部X光报告生成器，该方案明确感知这种纵向的“既往 -> 当前”过渡。我们称之为过渡感知N最佳采样：每份报告被分成句子并嵌入到R^d空间中的一个无序集合中；每个（既往，当前）对通过一种旨在编码两个集合之间变化的集合到集合距离，被简化为一个固定维度的方向性向量；然后通过候选过渡向量与真实训练过渡向量缓存库的余弦距离来对候选方案进行评分，聚合方式为最小或kNN。我们使用四种方向性集合距离（均值漂移、新颖性残差、有向豪斯多夫锚点和成本加权最优传输）实例化该框架，并在多访视AP/PA队列上进行评估，在三个视觉-语言生成器上使用三种提示进行推理。过渡感知N最佳采样全面优于随机选择，在“印象”部分取得了最大的相对增益。