从修订到洞察:将放射学报告修订转化为可操作的教育反,使用生成性AI模型
Shawn Lyo1, Suyash Mohan2, Alvand Hassankhani2
1Department of Radiology, Hospital of the University of Pennsylvania, Philadelphia, PA, USA. shawn.kt.lyo@gmail.com.
Journal of imaging informatics in medicine
|August 19, 2024
概括
生成型人工智能可以有效地识别放射学实习生报告中的差异,提供结构化的反. 这项技术有望通过报告修订提供可操作的见解来增强放射学培训.
科学领域:
- 医学教育 医学教育
- 放射学中的人工智能
- 自然语言处理自然语言处理.
背景情况:
- 专家反对于放射学培训至关重要,但由于工作量和远程阅读而具有挑战性.
- 实习生报告修订提供了教育见解,但合成这些数据是困难的.
研究的目的:
- 评估生成AI在分析放射学实习生报告修订方面的有效性.
- 识别差异,分类其严重程度和类型,并生成教育反主题.
主要方法:
- 使用OpenAI GPT-4 Turbo API来分析初步和最终的放射学报告.
- 将AI识别的差异与专家放射科医生的评估进行了比较.
- 评估了差异检测,严重程度,类型分类和生成的教学点的相关性.
主要成果:
- 人工智能模型比放射科医生检测到的差异明显多.
- 在AI和放射科医生差异检测之间发现了高相关性 (r=0.778).
- 在约85%的案例中,生成的教学积分是相关的,与差异严重程度相关.
结论:
- 生成型人工智能模型显示出在放射学中识别报告差异的巨大潜力.
- 人工智能可以提供结构化,可操作的反来增强放射学培训.
- 这种方法提供了一个有希望的解决方案,以克服提供及时有效反的挑战.
