構造化された冠動脈CTAレポートからの包括的なCAD-RADS 2.0分類のためのリトリーバルの拡張された世代強化された大型言語モデル

科学分野:

• 医療イメージングにおける人工知能
• 放射線学 コンピュータ科学
• 医療における自然言語処理について

背景:

• 冠動脈コンピュータトモグラフィ・アニオグラフィ (CCTA) の構造化された報告は,正確な診断と管理に不可欠です.
• 大型言語モデル (LLM) は,臨床報告からデータ抽出を自動化する可能性を秘めています.
• CCTAのレポートから特定のコンポーネントと勧告を抽出するLLMのパフォーマンスを評価することは必要である.

研究 の 目的:

• 標準的LLMとリトリーブル・アグメントド・ジェネレーション (RAG) ベースのLLMのパフォーマンスを評価し,CCTAのレポートからコンポーネントと管理勧告を抽出する.
• チャットGPT-5,ノートブックLM,およびRAGに適応したチャットGPT-5を含む異なるLLMの精度を,専門家放射線科医の評価と比較する.
• 冠動脈疾患報告およびデータシステム (CAD-RADS 2.0) のガイドラインを遵守する際にLLMの有用性を評価する.

主な方法:

• 標準的なChatGPT-5,ノートブックLM (RAGベースの) とChatGPT-5-RAGの3つのLLMを使用して320の構造化されたCCTAレポートの分析.
• CAD-RADS カテゴリーの抽出,プラーク負担,高リスクプラーク (HRP),変形剤,完全なスコア,および管理勧告.
• 2人の専門心血管放射線科医によって確立された基準基準と比較して,LLMの出力を比較.

主要な成果:

• ChatGPT-5-RAGは,分類,プラーク負荷,HRP検出,および修正器を含む,評価されたCAD-RADS 2.0のすべてのコンポーネントで優れた精度を実証しました.
• 標準のChatGPT-5は,テストされたモデルの中で最も低いパフォーマンスを示しました.
• 管理勧告に関する合意は低いものの,ChatGPT-5-RAGとNotebookLMは,ほぼ完璧な質的評価を達成した.

結論:

• RAGで強化されたLLMは,CAD-RADS 2.0コンポーネントの抽出と管理勧告の生成の正確性と信頼性を大幅に改善します.
• RAGベースのLLMは,臨床放射線学のワークフロー内のCCTAの報告の自動化と標準化のための有望なツールです.
• RAGベースのLLMによって提供される説明性と革新性は,心血管画像の臨床意思決定を強化することができます.