ASTAR：从大规模临床自由文本语料库自动归纳标准化放射学报告模板

结构化报告将自由文本放射学叙述转换为可查询的数据键，促进医疗人工智能的队列组装、纵向跟踪和训练标签生成。流行的范式遵循两阶段流程：(1) 构建报告模板，(2) 提取信息以填充该模板。虽然提取阶段受益于 大语言模型 (LLM) 的进步，但模板构建仍然是一个手动瓶颈，依赖于静态的、难以扩展的劳动密集型专家共识，并且可能无法捕捉现实世界的报告多样性。我们通过 \textbf{\texttt{ASTAR}} 解决了这一限制，这是一个基于 LLM 的框架，用于从大规模临床自由文本语料库自动归纳标准放射学报告模板。对来自多个中心的 4,215 份胎儿脑部 MRI 报告进行的广泛实验表明，\textbf{\texttt{ASTAR}} 诱导的模板在模板覆盖范围、信息保真度、诊断保真度和专家评级可用性方面超过了两个专家策划的模板，将模板开发从数周的委员会审议缩短为数小时的自动化处理。代码：https://github.com/birthlab/ASTAR