使用生成预训练变压器自动生成放射学报告的初步评估:比较结果与放射科医生生成的报告

科学领域:

• 放射学中的人工智能
• 用于医疗文件的自然语言处理.
• 医疗保健中的机器学习

背景情况:

• 放射学报告的生成是诊断成像的关键组成部分.
• 自动化报告生成可以提高效率和一致性.
• 生成式预训练变压器 (GPT) 模型在文本生成方面提供了高级功能.

研究的目的:

• 评估GPT-2,GPT-3.5和GPT-4在从简短的成像发现中生成放射学报告中的性能.
• 将GPT生成的报告与人类放射科医生撰写的报告进行比较.
• 评估人工智能产生的差异诊断和印象的准确性和质量.

主要方法:

• 追溯分析28名患者的CT扫描,诊断出疾病.
• 使用基于患者人口统计和成像发现的GPT模型生成放射学报告.
• 诊断准确性的定量分析 (TOP-1,TOP-5,MAP) 和通过董事会认证的放射科医生对报告组件的定性评估.

主要成果:

• 放射科医生实现了最高的诊断准确性 (顶级-1: 1.00,顶级-5: 1.00).
• 在语法,可读性,图像发现和整体质量方面,GPT-4和GPT-3.5向放射科医生展示了可比的定性得分.
• 与放射科医生相比,GPT模型在印象和差异诊断准确度方面的得分明显较低.

结论:

• 通过最小的输入,GPT-3.5和GPT-4可以生成可读的放射学报告,并从最小的输入中获得合理的图像结果.
• 由GPT模型产生的印象和差异诊断的准确性需要进一步改进和放射科医生验证.
• 人工智能有望协助放射学报告生成,但人类的专业知识仍然对关键的诊断要素至关重要.