大規模な言語モデルによる文脈学習:放射線報告のラベリングを改善するためのシンプルで効果的なアプローチ

科学分野:

• 医療イメージングにおける人工知能
• 医療における自然言語処理
• 放射線報告の分析

背景:

• 放射線報告の自動化されたラベル付けは,効率的なデータ分析と臨床的洞察のために不可欠です.
• 複合的な自然言語の理解作業の可能性を示しています.

研究 の 目的:

• 放射線報告のラベル付けのためのGPT-4でのコンテキスト学習の有効性を評価する.
• 標準プロンプトと文脈認識プロンプトを比較して,ラベリングの正確性を向上させる.

主な方法:

• MIMIC-IIIデータベースからの放射線報告を用いた遡及的研究.
• 頭部と腹部CTレポートのマルチラベル分類のための基本とインコンテキストプロンプトの比較
• 一貫性とエラー率を評価するための最適化実験.

主要な成果:

• GPT-4によるコンテキスト・ラーニングは,特に"異体"と"質量"のラベルについて,頭部CTレポートのラベル付けのF1スコアを大幅に改善しました.
• 腹部CTレポートでは,コンテキストプロンプトを使用して,すべてのラベルで大幅なパフォーマンスの向上が観察されました.
• 信頼性の高いベースライン性能を示した.

結論:

• GPT-4を使用したコンテキスト学習は,放射線報告のラベル付けの正確性を一貫して向上させます.
• このアプローチは,主観的および客観的なラベリングタスクの両方で,モデル基準を人間のアノータと効果的に調整します.
• この方法は実用的で,適応可能で,放射線研究の様々なラベリング用途に適しています.