相关实验视频
Updated: Jun 23, 2025
An Orthotopic Resectional Mouse Model of Pancreatic Cancer
Published on: September 24, 2020
在胰腺癌中,用于自动化综合报告和可切割性分类的大型语言模型
Rajesh Bhayana1, Bipin Nanda1, Taher Dehkharghanian1
1From University Medical Imaging Toronto, Joint Department of Medical Imaging, University Health Network, Princess Margaret Cancer Centre, Department of Medical Imaging, University of Toronto, Toronto General Hospital, 200 Elizabeth St, Peter Munk Building, 1st Fl, Toronto, ON, Canada M5G 24C (R.B., B.N., T.D., S.K.); Department of Biostatistics (Y.D.) and HPB Surgical Oncology (C.G.S., C.A.M., D.H., S.G.), University Health Network, Toronto, Ontario, Canada; Departments of Medicine (N.B., G.E., D.D.) and Surgery (C.G.S., C.A.M., D.H., S.G.), University of Toronto, Toronto, Ontario, Canada; and Department of Radiology, Massachusetts General Hospital, Harvard Medical School, Boston, Mass (A.K.).
像GPT-4这样的大型语言模型 (LLM) 可以为胰腺癌创建准确的综合放射学报告,改善外科决策. 人工智能生成的报告提高了外科医生在评估瘤切除能力方面的准确性和效率.
科学领域:
- 放射学中的人工智能
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
背景情况:
- 胰腺管腺癌 (PDAC) 的结构化放射学报告与自由文本报告相比,提高了外科决策.
- 放射科医生采用结构化报告是不一致的,并且切除性标准的应用有所不同.
- 大型语言模型 (LLM) 为自动化结构化报告生成提供了潜力.
研究的目的:
- 从原始放射学报告自动生成PDAC综合报告来评估LLM的性能.
- 根据CT发现,评估LLM在分类瘤切除能力方面的能力.
- 用AI生成与原始报告来比较外科医生的准确性和效率.
主要方法:
- 对180份PDACCTCT报告进行了回顾性分析.
- GPT-3.5和GPT-4被要求提取14个关键发现,并使用各种策略对切除能力进行分类.
- 放射科医生和外科医生的审查将人工智能生成的报告与原始报告进行了比较,以确定准确性和时间.
主要成果:
- 在生成综合报告方面,GPT-4显著超过了GPT-3.5 (F1得分:0.997比0.967).
- 在提取关键特征方面,GPT-4的精度更高,比如提取上层介质动脉的卷入.
- 使用思维链提示的GPT-4在切除能力分类中实现了92%的准确性,超过了其他方法.
- 通过使用人工智能生成的报告,外科医生更准确 (83% vs 76%) 和更有效 (58%的时间节省).
结论:
- GPT-4可以生成近乎完美的PDAC综合报告,解决了对结构化报告的需求.
- 连锁思维提示增强了GPT-4在分类瘤切除能力方面的准确性.
- 人工智能生成的报告提高了PDAC的外科评估准确性和效率.
