内軸原発性脳腫瘍の分化:構造化されたMRI報告書と画像上の放射線科医の大きな言語モデルを比較する

科学分野:

• 医療イメージングにおける人工知能
• 診断支援のための機械学習
• 神経腫瘍学研究

背景:

• 内軸原発性脳腫瘍の正確な差別化は,効果的な治療計画に不可欠です.
• 構造化磁気共鳴画像 (MRI) レポートには貴重な診断情報が含まれています.
• 大型言語モデル (LLM) は,テキスト分析と情報抽出のための強力なツールとして登場しています.

研究 の 目的:

• 構造化されたMRI報告に基づいて,様々な内軸原発性脳腫瘍を区別するLLMの有効性を評価する.
• 認定神経放射線科医とLLMの診断性能を比較する
• 神経腫瘍診断における現在のLLMの強みと限界を特定する.

主な方法:

• 手術で確認された 137 件の脳内原発性腫瘍の 構造化された手術前MRI 報告の分析
• 複数のLLM (GPT-4,Claude-3-Opus,Claude-3-Sonnet,GPT-3.5,Llama-2-70B,Qwen1.5-72B,Gemini-Pro-1.0) を使用して,トップ5の差異診断を作成しました.
• LLMの精度 (トップ1,3,5) を,実際のMRI画像の神経放射線学者の解釈と比較した.

主要な成果:

• 認定神経放射線科医は優れた診断精度を達成しました (トップ1: 85. 4%,トップ3: 94. 9%,トップ5: 94. 9%).
• GPT-4はLLMの中で最も高いパフォーマンスを示した (トップ1: 65.7%,トップ3: 84.7%,トップ5: 90.5%),そのトップ3の精度は放射線科医のトップ1に近づいた.
• LLMはグリオブラストーマに対して高い精度を示したが,中枢神経系 (CNS) リンパ腫や他の稀な腫瘍に対しては困難に直面した.

結論:

• LLMは,構造化されたMRI報告から脳腫瘍の差異診断のための補足ツールとして有望です.
• 主要画像データを解釈するLLMとエキスパート放射線科医の間には大きなパフォーマンスギャップが存在します.
• 腫瘍の種類とLLMの選択は診断の正確性に重大な影響を及ぼし,さらなる開発と検証の必要性を強調しています.