Video Experimental Relacionado
Updated: Jul 17, 2026
14:27
Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data
Published on: June 26, 2013
Uso de un Prompt Generado por un Modelo de Lenguaje Grande para Extraer Características de Informes Sintéticos de
John J Hanna1,2,3, Christopher S Evans2,4, Christopher R Dennis2
1Department of Internal Medicine, ECU Brody School of Medicine, Greenville, North Carolina, United States.
Methods of information in medicine
|February 19, 2026
Resumen
Los modelos de lenguaje grandes (LLM) prometen extraer características de informes de resonancia magnética cerebral. Los modelos más nuevos como GPT-4 funcionan bien, y los LLM pueden incluso generar prompts efectivos para esta tarea.
Área de la Ciencia:
- Informática Médica; Inteligencia Artificial en Medicina
Sus antecedentes:
- La extracción automatizada de características de informes médicos es crucial para fines clínicos, operativos y de investigación.; Los modelos de lenguaje grandes (LLM) ofrecen potencial para automatizar la extracción de características y la asignación de categorías a partir de texto clínico.
Objetivo del estudio:
- Comparar la precisión de la extracción de características de informes de resonancia magnética cerebral utilizando prompts diseñados por clínicos frente a prompts generados por LLM.; Evaluar el rendimiento de cinco LLM de OpenAI en la extracción de características predefinidas de informes sintéticos de resonancia magnética.
Principales métodos:
- Se probaron cinco LLM de OpenAI en su capacidad para extraer nueve características binarias de informes sintéticos de resonancia magnética cerebral.; Se utilizaron dos tipos de prompts: diseñados por clínicos y generados por LLM. El rendimiento se evaluó utilizando la recuperación, la precisión, la exactitud y la puntuación F1.
Principales resultados:
- Se observó un alto rendimiento general en todos los modelos y prompts, con una recuperación promedio de 0.956, una precisión de 0.9347, una exactitud de 0.982 y una puntuación F1 de 0.9431.; GPT-3.5-turbo mostró un mejor rendimiento con un prompt generado por LLM, mientras que los modelos GPT-4 superaron consistentemente a otros independientemente del tipo de prompt.
Conclusiones:
- Los LLM demuestran un potencial significativo para la extracción precisa de características de informes de resonancia magnética cerebral, y los modelos más nuevos como GPT-4 muestran un rendimiento sólido.; La elección del LLM y la estrategia de ingeniería de prompts impactan significativamente la eficacia de la extracción automatizada de características de informes de imágenes médicas.
