CT画像における大規模言語モデルを用いた頭蓋内出血の検出とサブタイプ分類
Nitin Chetla1, Shivam Patel2, Rahul Kumar3
1School of Medicine, University of Virginia School of Medicine, Charlottesville, USA.
Cureus
|December 30, 2025
まとめ
大規模言語モデル（LLM）は、CTスキャンにおける頭蓋内出血（ICH）とそのサブタイプの検出において限定的な精度しか示していません。臨床応用には、さらなる研究とドメイン固有のファインチューニングが必要です。
科学分野:
- 医用画像
- 人工知能
- 放射線学
背景:
- CTスキャンにおける頭蓋内出血（ICH）の正確な検出は、患者の治療にとって重要です。
- 畳み込みニューラルネットワーク（CNN）はICH検出に優れていますが、直接的な医療画像解釈のための大規模言語モデル（LLM）は十分に調査されていません。
研究 の 目的:
- CTスキャンからのICH検出とサブタイプ分類における、汎用的なマルチモーダルLLMの能力を評価すること。
- 直接的な医療画像解釈タスクにおけるLLMのパフォーマンスを評価すること。
主な方法:
- マルチモーダルLLMをPhysioNet ICHデータセットでテストし、ICHの二項検出とサブタイプの多クラス分類を行いました。
- 軸方向CTスライスを前処理し、複合画像にグループ化し、LLM入力用にエンコードしました。
- パフォーマンスは、精度、適合率、再現率、F1スコア、完全一致精度、およびハミングスコアを使用して測定されました。
主要な成果:
- LLMは、ICHの二項検出において0.52の精度を達成しましたが、陽性症例の再現率（0.14）は低かったです。
- サブタイプ分類のパフォーマンスは一貫性がなく、脳実質内出血が最も高いF1スコア（0.57）でした。
- 完全一致精度は0.06、ハミングスコアは0.54であり、予測能力は限定的であることを示しています。
結論:
- LLMは、ゼロショット設定においてICH検出の感度が限定的であり、サブタイプの分類が一貫性がないことを示しました。
- 現在のLLMは、臨床展開のためにドメイン固有のファインチューニング、より大きなデータセット、およびコンピュータビジョン手法との統合が必要です。
- 医療画像分析でLLMを効果的に活用するには、さらなる開発が必要です。
