Mejorando la Complejidad Factual y la Consistencia en la Generación de Informes de Radiología de Imagen a Texto

Los sistemas de generación de informes de radiología de imagen a texto basados en redes neuronales ofrecen el potencial de mejorar la elaboración de informes en radiología al reducir el proceso repetitivo de redacción de informes e identificar posibles errores médicos. Sin embargo, los sistemas de generación de informes existentes, a pesar de alcanzar altos desempeños en métricas de generación de lenguaje natural como CIDEr o BLEU, aún sufren de generaciones incompletas e inconsistentes. Aquí introducimos dos nuevas recompensas simples para fomentar la generación de informes de radiología que sean factualmente completos y consistentes: una que anima al sistema a generar entidades del dominio radiológico consistentes con la referencia, y otra que utiliza la inferencia del lenguaje natural para alentar a que estas entidades se describan de maneras inferencialmente consistentes. Combinamos estas con el uso novedoso de una métrica de equivalencia semántica existente (BERTScore). Además, proponemos un sistema de generación de informes que optimiza estas recompensas a través del aprendizaje por refuerzo. En dos conjuntos de datos abiertos de informes de radiología, nuestro sistema mejoró sustancialmente la puntuación F1 del rendimiento de extracción de información clínica en +22.1 (Delta +63.9%). Además, demostramos a través de una evaluación humana y un análisis cualitativo que nuestro sistema genera informes que son más factualmente completos y consistentes en comparación con las líneas base.