放射線科における大規模推論モデルを用いた結論に対する推論による診断および解釈上の利点

科学分野:

• 医用画像解析;腫瘍学における人工知能;臨床意思決定支援システム

背景:

• 放射線科医は、癌の病期分類と治療に影響を与える重要な二次所見を見逃す可能性があります。;大規模推論モデル（LRM）は、放射線科における解釈の完全性と透明性を向上させる可能性を提供します。;腫瘍画像解釈のためのLRMの体系的な評価は、現在限られています。

研究 の 目的:

• LRMの推論プロセスと、結論のみの出力および推論を行わないモデルとのパフォーマンスを比較すること。;LRM出力の診断エラーと定性属性を評価すること。;人間参加型ループ研究を通じて、放射線科解釈におけるLRMのワークフローへの影響を評価すること。

主な方法:

• 中国の3つの病院からの900の多施設腫瘍症例を含む研究。;LRMの推論プロセス、結論のみの形式、および2つの推論を行わないモデルの比較。;3人の上級放射線科医による診断エラーと定性属性の評価。;6人の放射線科医によるワークフロー効果の人間参加型ループ評価。;英語のMIMIC-Cancer-90コホートを使用したクロス言語検証。

主要な成果:

• LRMの推論プロセスは、見逃し/誤分類エラーが最も少なく、包括性、説明可能性、および公平性において最も高い評価を示しました。;結論のみのLRM形式ではパフォーマンスが低下しました。;推論を行わないモデルは、すべての指標でパフォーマンスが低下しました。;改善は、さまざまな癌の種類、画像モダリティ、施設、および言語にわたって一貫していました。;読者調査では、特に若手の放射線科医において、知覚される包括性と推論の明確性が向上しました。

結論:

• LRMの推論プロセスは、他の方法と比較して、腫瘍画像解釈の精度と透明性を大幅に向上させます。;効果的ではありますが、ワークフロー統合は、関連するコストに対処し、臨床的有用性を最大化するために最適化が必要です。;LRMは、多様な臨床設定と言語において、診断パフォーマンスと一貫性を向上させる可能性を示しています。