摘要：放射学报告是医疗诊断中的关键环节，它们不仅记录患者的临床历史，还描述影像发现、记录诊断过程，并跟踪病情变化。然而，这些报告通常以非结构化的自由文本形式撰写，导致术语和详细程度存在显著差异。这种不一致性使得计算机难以准确理解内容，也限制了自动化报告生成和评估系统

来自KAIST、微软研究院Health Futures、根特大学、首尔医疗中心、首尔国立大学医院以及延南大学医学院的研究团队在2025年5月发表了题为《LUNGUAGE: A Benchmark for Structured and Sequential Chest X-ray Interpretation》的研究成果，该研究由Jong Hak Moon和Edward Choi等人领导，为解决上述问题提出了一个创新性框架。这项研究已在arXiv上发布（arXiv:2505.21190v1），代码开源在GitHub上：https://github.com/SuperSupermoon/Lunguage。

想象一下，医生们在查看胸片时，不仅会观察当前的情况，还会与之前的片子进行比较，看看病情是否好转、稳定或恶化。但现有的人工智能系统却难以做到这一点——它们评估每份报告时，都像是第一次看到这个病人一样，无法连贯地理解病情发展。更糟糕的是，它们往往会忽略重要的细节，比如肺部结节的确切位置和大小，这些细节对医生的诊断至关重要。

研究团队开发的LUNGUAGE框架就像是给AI装上了"医学记忆"和"细节观察力"。他们首先创建了一个包含1,473份胸片X光报告的数据集，由专家标注了超过17,000个医学实体和23,000多个关系，其中80份报告还被精心标注了跨时间的变化情况。这就像给AI提供了一本详细的"病情发展指南"，教它如何理解疾病的演变过程。

基于这个数据集，研究者们开发了一个两阶段框架，能够将自由文本转化为结构化表示，并且能够跟踪患者的病情变化。这个过程有点像将医生的口头叙述转化为一本条理清晰的病历本，并且能够随着时间更新内容。

更重要的是，他们还提出了LUNGUAGESCORE评分系统，这个系统能够从实体、关系和属性层面评估AI生成的报告质量，同时考虑时间一致性。简单来说，这就像是一个严格的医学教授，不仅会检查你描述的症状是否准确，还会看你是否正确理解了病情的发展过程。

实验结果表明，LUNGUAGESCORE能够有效评估结构化报告的质量，为开发更精确的医学AI系统铺平了道路。这对未来的医疗诊断有着深远的影响——更精准的AI辅助系统意味着医生可以更快、更准确地诊断疾病，从而提高患者的治疗效果。

一、背景：为什么需要更好的胸片报告评估系统？

放射科报告承载着丰富的临床信息，它们不仅仅是对图像的简单描述，更是医生专业判断的结晶。想象一下，你每次看医生，医生都会把你的情况记录在一个个纸条上，但这些纸条没有固定格式，有时详细有时简略，有时用专业术语有时用通俗语言。当你需要查看自己的健康历史时，这些零散的纸条就成了一个解读难题。放射科报告面临的就是类似的挑战。

目前的放射科报告通常是非结构化的自由文本，不同医生可能使用不同的表达方式描述相同的发现。比如，一位医生可能会说"右上肺叶有一个2.5厘米的毛刺状结节"，而另一位医生可能简单地称之为"结节"。这种表达方式的差异让计算机难以准确理解和比较不同报告中的内容。

为了解决这个问题，研究者们开发了结构化报告框架，将自由文本转换成标准化、机器友好的格式。这就像是把各种风格的手写笔记转换成统一格式的电子表格，使得信息更容易被检索和比较。然而，现有的评估方法仍存在两个关键限制：时间推理和细粒度临床准确性。

时间推理是放射学解读的核心。想象一下，如果医生说"肺炎没有变化"，但不告诉你之前是否存在肺炎，这句话就失去了意义。现有的大多数评估方法只评估单个报告，而不考虑之前的发现，这使得无法判断诸如"没有变化"、"改善"或"新出现"等时间表达是否恰当。

细粒度临床准确性同样至关重要。可靠的解读需要保留诸如精确位置（例如"气管分叉点以上3厘米"）和病变大小（例如"2.5厘米"）等详细属性。这些属性对诊断特异性和下游临床决策至关重要，但大多数评估协议会简化这些细节。例如，"右上肺叶有一个2.5厘米的毛刺状结节"可能被简化为"结节"，这种粒度的丢失使得难以区分精确和不完整的输出。

虽然结构化表示框架通过从放射学报告中提取临床实体和关系部分解决了这些问题，有些甚至包括时间描述符如"恶化"或"稳定"。然而，所有这些框架仍然局限于单个报告，并依赖于明确陈述的时间表达，而不检查随时间的一致性。因此，它们无法确定发现是否与先前研究一致，或者是否反映了连贯的临床轨迹。

近期的报告生成模型已经开始纳入时间输入，如先前报告、影像或临床指征，从而生成更具上下文感知和时间连贯性的输出。然而，评估方法却没有跟上步伐。生成的报告仍然在单独的时间点上进行解释，而不是在连续的时间线上，这使得难以评估模型是否适当地纳入了先前的发现，或者是否在时间和语义维度上保留了临床重要的细节。

二、LUNGUAGE：一个结构化与连续胸片解读的新基准

为了解决上述限制，研究团队开发了LUNGUAGE，这是一个全新的基准数据集和评估框架，专门设计用于评估胸片X光报告的生成质量，既支持单报告评估，也支持跨多个研究的纵向患者级别评估。

LUNGUAGE基准数据集是这项研究的核心基础。想象一下，这就像是一本医学百科全书，但不仅仅包含单个时间点的信息，还记录了疾病如何随时间发展的全过程。研究团队从230位患者的1,473份胸片X光报告中，标注了17,949个由专家验证的实体和23,307个关系-属性对，涵盖18种临床接地关系类型。这些标注为人工智能系统提供了详细的"学习材料"，教它如何理解胸片报告中的复杂医学信息。

更为创新的是，研究团队还选取了10位患者的80份连续报告进行了特殊标注。他们分析了这些患者的所有可能的观察对（共41,122对），跨越了每位患者3到14份报告（间隔1到1,200天）。这些标注通过两个关键概念捕捉诊断推理：ENTITYGROUPS（识别跨多个序列的相同观察）和TEMPORALGROUPS（基于观察在研究之间的时间关系将观察分组）。这就像是给每个医学发现建立了一个"家族树"，追踪它如何随时间演变。

举个例子，想象一位患者在第一次检查时被发现左肺有"中度积液"，10天后的检查显示为"轻度积液"，一个月后变成"痕量积液"。在LUNGUAGE框架中，这些不同的描述会被识别为同一个ENTITYGROUP（因为它们都指的是同一个医学发现：左肺积液），并且会被归类为同一个TEMPORALGROUP（因为它们描述的是一个持续改善的过程）。但如果这位患者六个月后又出现了"中度积液"，虽然仍属于同一个ENTITYGROUP，但会被归为一个新的TEMPORALGROUP，表示这是一个新的疾病发作。

研究团队还开发了一个基于大型语言模型（LLM）的提取框架，用于将自由文本报告转换为结构化格式。这个框架就像一个高级翻译器，能够将医生的自然语言描述转换为计算机可以理解的结构化数据。它分两个阶段工作：首先将报告结构化为实体-关系-属性三元组，然后将它们跨时间链接，形成遵循LUNGUAGE标注模式的时间连贯解释。这个框架展示了与人类标注的强一致性，在实体-关系提取上达到0.94的F1分数，在完整三元组上达到0.86，在ENTITYGROUP上达到0.68，在TEMPORALGROUP上达到0.89。

最后，研究团队提出了LUNGUAGESCORE，这是一个临床接地的评估指标，用于量化诊断准确性和时间连贯性。它比较生成报告与参考报告的结构化表示，使得能够评估临床细节和不断发展的诊断上下文。虽然评估使用的是金标准结构化数据，但当金标准标注不可用时，LUNGUAGESCORE可以扩展到"银标准"评估，通过自动结构化生成的和参考报告。

三、两阶段结构化框架：让计算机理解医学语言

LUNGUAGE框架的核心是一个两阶段的结构化过程，它能够将医生撰写的自由文本转化为计算机可理解的结构化数据，并且能够跟踪病情随时间的变化。这个框架就像是一位能够理解医学语言的翻译官，将医生的专业术语转化为清晰、一致的数据格式。

第一阶段：单报告结构化

在这个阶段，框架需要从单个放射学报告中提取出结构化信息。想象你在阅读一份医学报告，里面包含各种专业术语和描述，如"右下肺叶有一个增大的磨玻璃样病变，直径约2.5厘米，比上次检查增大了0.5厘米"。对于普通人来说，这句话包含了多个重要信息：病变位置（右下肺叶）、性质（磨玻璃样）、大小（2.5厘米）以及变化（增大了0.5厘米）。

LUNGUAGE框架使用大型语言模型（LLM）来理解这些文本，并将其分解为三部分：实体（如"病变"）、关系（如"位置"、"大小"、"变化"）和属性（如"右下肺叶"、"2.5厘米"、"增大"）。这就像是将一个复杂的句子分解成主语、谓语和宾语，使得计算机能够精确理解其含义。

为了提高准确性，研究团队引入了一个基于词汇的引导方法。他们创建了一个包含常见医学术语的词汇表，用于帮助模型识别重要的医学概念。这就像是给模型提供了一本"医学词典"，帮助它理解专业术语。同时，他们还使用了少量示例（5-shot prompting）来指导模型如何正确提取信息。

实验结果表明，这种方法在实体-关系提取任务上取得了0.94的F1分数，在完整三元组提取上达到了0.86的F1分数，这意味着模型能够非常准确地理解报告中的医学信息。值得注意的是，使用词汇引导比不使用时效果要好得多，说明专业知识的整合对提高模型性能至关重要。

第二阶段：连续报告解释

单个报告的结构化只是第一步。在医学实践中，医生需要比较患者多次检查的结果，以了解病情的发展趋势。这就是LUNGUAGE框架的第二阶段：连续报告解释。

在这个阶段，框架需要理解同一患者不同时间点的报告之间的关系。例如，一位患者在第一次检查时被诊断为"右肺炎症"，两周后的报告提到"右肺浸润减轻"，两个月后的报告称"右肺完全正常"。虽然这些描述使用了不同的术语，但它们都指的是同一个医学发现（右肺感染）的不同阶段。

LUNGUAGE框架通过两个关键概念来捕捉这种时间关系：ENTITYGROUPS和TEMPORALGROUPS。ENTITYGROUPS将指代同一医学发现的不同表达方式分组，即使它们在不同的时间点出现，或者使用了不同的术语。TEMPORALGROUPS则将ENTITYGROUPS进一步划分为不同的"诊断剧集"，基于时间距离、状态或确定性的变化，以及临床变化的明确表达（如"恶化"、"解决"）。

实验表明，在5-shot设置下，GPT-4.1模型在实体分组任务上达到了0.68的F1分数，在时间分组任务上达到了0.89的F1分数。这表明模型能够相当准确地识别同一医学发现的不同表达方式，并理解它们在时间上的关系。

四、LUNGUAGESCORE：全面评估胸片报告质量的新标准

在医疗领域，准确评估AI生成的放射学报告质量至关重要。传统的评估方法如BLEU、ROUGE和METEOR主要依赖于表面文本重叠，往往无法捕捉临床语义。基于模型的指标如CheXbert和BERTScore则评估高级相似性，但缺乏细粒度细节。而结构化评估方法如RadGraph F1和RaTEScore通过匹配临床实体和关系提高了粒度，但都无法评估时间一致性。

LUNGUAGESCORE的创新之处在于它能同时评估语义等价性、时间连贯性和属性级相似性。想象一下，这就像是一个全面的评分系统，不仅检查你的答案是否正确，还检查你的推理过程是否合理，以及你是否注意到了重要的细节。

LUNGUAGESCORE基于三个临床原则：语义敏感性（捕捉跨语言变异的概念级等价性）、时间连贯性（确保与临床时间线对齐）和结构粒度（评估对诊断至关重要的细粒度属性）。它通过三个维度评估相似性：语义相似性、时间相似性和结构相似性。

语义相似性通过计算预测和参考实体的余弦相似性来计算。在单报告设置中，每个发现简单地表示为从实体和其所有相关属性派生的线性化短语。在连续报告设置中，使用ENTITYGROUP表示来跟踪时间发现，使得概念上相同但词汇上不同的发现能够在多个报告中被视为语义对齐。

时间相似性仅在连续报告设置中定义，用于捕捉跨时间点的对齐。它确保发现不仅在语义上相似，而且在时间上与患者的疾病进程一致。当预测发现和参考发现在相同的研究时间点和TEMPORALGROUP中时，时间对齐得分最高。

结构相似性评估预测和参考发现之间的个体属性，实现细粒度比较。每个属性根据其临床重要性被分配一个归一化权重，分类属性（如DXSTATUS和DXCERTAINTY）以二元方式评分，而其他属性则通过其嵌入的余弦相似性评估。

最终的相似性分数是语义分数、时间分数（如果适用）和结构分数的乘积。这个分数被用来计算真阳性（TP）、假阳性（FP）和假阴性（FN）数量，最终计算F1分数。

研究团队在ReXVal数据集上验证了LUNGUAGESCORE的诊断效用，该数据集包含200对MIMIC-CXR报告对，由6位放射科医师标注，用于评估自动化指标评分与放射科医师评分的一致性。实验结果表明，LUNGUAGESCORE与人类专家的判断高度一致，与其他评估指标如BLEU、BERTScore、GREEN、FineRadScore和RaTEScore相比表现出色。

五、实验结果：LUNGUAGE框架的有效性

研究团队进行了三组实验，从不同角度评估LUNGUAGE框架的性能：结构化框架的性能、LUNGUAGESCORE作为单报告评估指标的诊断效用，以及LUNGUAGESCORE对各种单报告和纵向报告生成模型进行基准测试的能力。

首先，研究团队评估了结构化框架在LUNGUAGE基准上的性能。该基准包含来自230位患者的1,473份胸片X光报告，每位患者有1到15份影像研究，其中10位患者被选择用于完整的纵向轨迹评估。评估分为两个阶段：单报告结构化和时间推理。

在单报告结构化阶段，模型需要从单个报告中提取结构化信息。使用GPT-4.1模型，在5-shot设置下，模型在实体-关系提取任务上达到了0.94的F1分数，在完整三元组提取上达到了0.86的F1分数。这表明模型能够非常准确地理解报告中的医学信息。值得注意的是，使用词汇引导比不使用时效果要好得多，说明专业知识的整合对提高模型性能至关重要。

在连续报告解释阶段，模型需要将时间分布的发现分组为临床有意义的类别。这是一个具有挑战性的任务，因为医学术语中的微妙语义区别。例如，"心脏大小"和"纵隔轮廓"虽然都与心脏成像相关，但可能需要不同的分组——"心脏大小"关注尺寸（可能与"心脏肥大"分组），而"纵隔轮廓"关注形状，患者可能同时有心脏肥大和正常纵隔。实验结果表明，在5-shot设置下，大多数模型在实体分组任务上的F1分数超过0.6（GPT-4.1达到0.68），时间分组显示出更强的结果。

其次，研究团队在ReXVal数据集上验证了LUNGUAGESCORE的诊断效用，该数据集包含200对MIMIC-CXR报告对，由6位放射科医师标注。实验结果表明，LUNGUAGESCORE与人类专家的判断高度一致，与其他评估指标如BLEU、BERTScore、GREEN、FineRadScore和RaTEScore相比表现出色。

最后，研究团队使用LUNGUAGESCORE对四种生成模型进行了基准测试：MAIRA-2、Medversa、RGRG和Cvt2distilgpt2。所有评估的模型都需要正面胸片X光图像。在连续数据集的80项研究中，13项在MIMIC-CXR中缺少正面图像，限制分析为67项研究。实验结果表明，MAIRA-2（标准设置）在所有指标上都明显优于其他模型，这表明即使在单报告级别评估时，纵向上下文也是有价值的。级联设置的表现略低于标准设置，因为在基于先前生成的报告构建时可能会偏离轨道。

在连续设置中，使用与单报告设置相同的报告，但包括历史（即指征）部分，因为它为理解患者随时间的轨迹提供了基本背景。即使是在单图像-报告对上训练的模型，如果每个报告都适当地基于图像，也应该产生时间上连贯的输出。结果显示，MAIRA-2（专为连续生成设计）取得了最高的性能，而额外使用历史部分作为输入的MedVersa排名第二。相比之下，不使用历史部分的模型（CVT2DistilGPT2、RGRG）表现较差。值得注意的是，CVT2DistilGPT2在这种设置下略有改善，而RGRG的性能下降，揭示了时间连贯性方面的差异。

六、LUNGUAGE的意义与未来方向

LUNGUAGE框架的提出标志着放射学报告评估领域的一个重要突破。它不仅提供了一个全面的评估基准，还开发了先进的结构化技术和评估指标，为未来的研究提供了坚实的基础。

首先，LUNGUAGE为单报告和连续结构化报告提供了一个高质量的基准数据集。这个数据集不仅包含大量的胸片X光报告，还包含详细的专家标注，这为开发和评估新的放射学报告生成模型提供了宝贵的资源。

其次，LUNGUAGE框架提出的两阶段结构化方法为将自由文本报告转换为结构化格式提供了一个有效的解决方案。这种方法不仅能够准确提取单个报告中的实体和关系，还能够跟踪患者多次检查的结果，捕捉疾病的发展趋势。

第三，LUNGUAGESCORE评估指标为评估放射学报告的质量提供了一个全面的标准。它不仅考虑了语义等价性和结构粒度，还考虑了时间连贯性，这对于评估连续报告生成模型至关重要。

然而，LUNGUAGE框架也存在一些限制。首先，连续数据集只包含10位患者，这是由于标注工作非常耗时。未来的研究应该扩大数据集的规模，以提高评估的代表性。其次，需要多位放射科医师进行交叉验证，以确保标注的鲁棒性。第三，框架在处理复杂的时间关系方面仍然需要改进。

未来的研究方向包括整合结构化电子健康记录（EHR）数据，超越胸片X光。当前基于图像的生成方法在处理像患者历史这样的上下文丰富的部分时存在困难。缺乏这种上下文信号的模型在纵向推理和诊断连续性方面受到根本限制，这突显了未来研究中与EHR数据更广泛整合的需求。

总的来说，LUNGUAGE框架为放射学报告的结构化和评估提供了一个全面的解决方案，它不仅能够准确捕捉单个报告中的医学信息，还能够理解患者病情随时间的变化。这对于开发更精确、更具时间连贯性的医学AI系统具有重要意义，最终将有助于提高医疗诊断的质量和效率。

来源：至顶网一点号