综述：医学放射学报告生成的深度学习方法、趋势与未来方向的系统综述

这篇综述系统梳理了深度学习（DL）在医学放射学报告自动生成（MRRG）领域的研究进展，涵盖从传统架构到大语言模型（LLMs）的技术演变，重点分析数据集、模型架构、评估指标及优化策略，为医学影像（如X光、CT、MRI）与自然语言处理（NLP）的跨学科研究提供技术路线图与未来方向。

　　

Abstract

医学放射学报告是疾病诊断的核心工具，但人工撰写耗时且易出错。MRRG通过深度学习技术实现报告自动化生成，旨在缓解放射科医师短缺问题并优化临床工作流。本文基于PRISMA框架对78项研究进行系统分析，归纳22个常用数据集、14种评估指标及30余种文本-视觉骨干模型（如Transformer、ViT），同时指出当前研究集中于胸部X光而缺乏多模态数据整合的局限性。

Introduction

全球放射科医师供需失衡加剧：欧洲每10万人拥有13名放射科医师，而英国仅8.5名。美国预测至2055年医师增长率仅25.7%-40.3%，远低于影像需求增速。MRRG技术通过结合计算机视觉（CV）与NLP，可缩短患者等待时间（目前英格兰部分报告需30天以上），但需解决医学术语准确性、病灶定位描述等临床刚性需求。

核心挑战与技术分类

数据集：IU-Xray、MIMIC-CXR等公开数据集需签署协议获取，且90%集中于胸部X光，缺乏CT/MRI多模态数据。
模型架构：主流方法分为三类——

1. 编码器-解码器框架：CNN（如ResNet）提取图像特征，RNN/LSTM生成文本；
2. 全Transformer模型：视觉Transformer（ViT）与文本Transformer端到端训练；
3. 大语言模型集成：GPT-3、LLaMA等通过提示工程适配放射学语境。
   评估指标：BLEU-4、ROUGE-L衡量文本流畅度，CheXbert专项评估临床术语准确性。

未来方向

1. 多模态扩展：融合超声、病理切片等非放射学数据；
2. 可信AI：开发可解释性模块（如注意力热图）辅助医师验证；
3. 实时生成：轻量化模型部署于边缘设备，支持急诊场景。

Conclusion

MRRG研究需突破数据稀缺性、模型泛化性及临床合规性瓶颈。跨学科协作（放射学、CV、NLP）将是推动该领域迈向临床落地的关键。