MEDICINE & AI

タイトル：MFDP: Multi-View Feature Integration and Enhanced Disease Prompting for Radiology Report Generation 雑誌名：IEEE J Biomed Health Inform. 2026 Feb; 30(2): 1378-1391. 概　要： 放射線レポート生成は、医療画像から診断レポートを自動的に作成し、放射線科医の負担を軽減することを目的としています。従来のモデルはエンコーダ・デコーダアーキテクチャを使用し、テキストデコーダがエンコードされた画像トークンに基づいてレポートを生成しますが、主に2つの制限があります。1つ目は、単一ビューの特徴や単純な静的融合マルチビュー特徴を使用するため、マルチビュー画像からの補完情報を捉えられないこと、2つ目は、テキストデコーディングプロセス中に疾患に関連する明示的な診断情報が欠如しているため、生成されたレポートの臨床的正確性と関連性が低下することです。本研究では、これらの制限に対処するために、MFDPという新しいフレームワークを提案します。 方　法： MFDPは、マルチビュー特徴融合（MFF）モジュールと強化された疾患プロンプト（EDP）モジュールの2つの革新を導入しています。MFFモジュールは、マルチビュー注意メカニズムを通じて、正面および側面ビューなどのマルチビュー画像を動的に統合し、デコーダの入力特徴を豊かにして、より包括的なレポートを生成します。EDPモジュールは、テキストデコーディングプロセスをガイドするために、強化された疾患プロンプトを構築することで明示的な診断情報を提供します。 結　果： MIMIC-CXRおよびIU X-Rayの2つのベンチマークデータセットでの実験により、MFDPは臨床的有効性（CE）および自然言語生成（NLG）指標の両方で競争力があることが示されました。特に、MFDPはSOTAモデルと比較してCEリコールで平均10%の改善を達成し、重要な異常のより正確な局在を可能にしながら、診断の完全性を維持しました。 結　論： MFDPは、放射線レポート生成において、マルチビュー画像からの情報を効果的に統合し、診断情報を強化することで、臨床的な正確性を向上させる可能性を示しました。このフレームワークは、放射線科医の業務を支援し、より質の高い診断レポートの生成に寄与することが期待されます。