Faiss İndeksleme ve T5 Dönüştürücüleri ile Radyoloji Rapor Özetleme İçin Hibrit Bir Erişim ve Üretim Çerçevesi

Creative Commons License

ARISOY A.

Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, cilt.29, sa.2, ss.483-492, 2025 (TRDizin)

Özet

Radyoloji raporları, ham anlatı biçiminde sunulduğunda hekimler için klinik açıdan kritik fakat karmaşık bilgilerin yorumlanmasını zorlaştırabilmektedir. Bu soruna çözüm olarak, bu çalışmada FAISS tabanlı bir semantik arama motorunun küçük boyutlu bir T5 üretici modelle entegre edildiği Retrieval-Augmented Generation (RAG) yaklaşımı önerilmektedir. Önerilen metodoloji, MIMIC-III veri setindeki radyoloji raporlarının “Bulgular” bölümlerini Sentence-BERT modeli ile gömerek temsil etmekte; ardından FAISS aracılığıyla bu gömüler üzerinden semantik olarak benzer vakaları geri getirmektedir. Geri getirilen bağlam, orijinal “Bulgular” bölümüyle birleştirilmekte ve T5 modeline beslenerek ilgili “İzlenim” özeti üretilmektedir. Deneysel sonuçlar, modelin hem sözcüksel doğruluk hem de semantik tutarlılık açısından etkili olduğunu göstermektedir. Model, ROUGE-1’de 0,5299, ROUGE-2’de 0,4206, METEOR’da 0,5018 ve sıkıştırma oranında 0,9213 değerlerine ulaşmıştır. Ayrıca alana özgü değerlendirmeler, FactCC (0,5463), CheXpert Label Agreement (0,6194) ve Medical Concept Overlap (0,5552) puanları ile doğrulanmıştır. Model, yedi dönem boyunca sürekli azalan doğrulama kaybı sayesinde aşırı uyum göstermeden istikrarlı bir yakınsama sağlamıştır. Niteliksel örnekler, modelin akıcı ve klinik olarak tutarlı özetler üretebildiğini ortaya koymaktadır. Bununla birlikte, zaman zaman görülen gerçek dışı halüsinasyonlar, geliştirilmesi gereken yönleri işaret etmektedir. Genel olarak önerilen FAISS+T5 yaklaşımı, bağlamsal geri alma ve üretim süreçlerini entegre ederek geleneksel özetleme yöntemlerinin temel sınırlamalarını aşmakta; ölçeklenebilir, yorumlanabilir ve alana özgü bir çözüm sunarak klinik karar destek sistemlerinde uygulanabilirliği açısından umut vaat etmektedir.
Radiology reports often contain clinically critical yet complex information which, when presented in raw narrative form, can be difficult for physicians to interpret efficiently. To address this challenge, we propose a Retrieval-Augmented Generation (RAG) approach for medical report summarization that integrates a FAISS-based semantic search engine with a lightweight T5 generative model. In the proposed methodology, the “Findings” sections of radiology reports from the MIMIC-III dataset are encoded using Sentence-BERT. These embeddings are then indexed with FAISS to retrieve semantically similar cases. The retrieved context is concatenated with the original “Findings” and subsequently passed to the T5 model to generate the corresponding “Impression” summary. Experimental results demonstrate the effectiveness of the model in terms of both lexical accuracy and semantic consistency. The system achieved ROUGE-1 of 0.5299, ROUGE-2 of 0.4206, METEOR of 0.5018, and a compression ratio of 0.9213. Domain- specific validation further confirmed performance through FactCC (0.5463), CheXpert Label Agreement (0.6194), and Medical Concept Overlap (0.5552). Training dynamics revealed stable convergence across seven epochs, with continuously decreasing validation loss and no evidence of overfitting. Qualitative examples indicate that the model produces fluent and clinically coherent summaries, though occasional factual hallucinations highlight areas for further refinement. Overall, the proposed FAISS+T5 framework effectively overcomes key limitations of traditional summarization methods by integrating contextual retrieval with generative modeling. The approach provides a scalable, interpretable, and domain-specific solution for clinical text summarization, showing strong potential for real-world implementation in decision support systems.