通过GPT-4增强放射学培训:对实习生初步报告中的自动反进行试点分析
Wasif Bala1, Hanzhou Li1, John Moon1
1Department of Radiology and Imaging Sciences, Emory University School of Medicine, USA.
Current problems in diagnostic radiology
|August 23, 2024
概括
大型语言模型 (LLM) 通过在初步报告中识别错过的诊断来改善放射学住院培训,显示出有前途的希望. 这种人工智能驱动的反系统实现了79.2%的灵敏度,并得到了居民的好评.
科学领域:
- 医学教育 医学教育
- 医疗保健中的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 放射科住院医生经常在独立呼叫期间缺乏对初步报告的足够反.
- 提高诊断准确度和反机制对于居民发展至关重要.
研究的目的:
- 评估大型语言模型 (LLM) 在补充传统反的有效性,通过检测放射科医生住院初步报告中错过的诊断.
- 评估居民对LLM产生的反的满意度和感知准确性.
主要方法:
- 使用了500份配对的初步和最终放射学报告的数据集.
- 使用GPT-4语言模型与代提示调来识别差异.
- 14名居民评估了LLM识别的差异,并完成了满意度调查.
主要成果:
- 该LLM在10个测试报告中确定了24个独特的错过诊断,达到79.2%的灵敏度.
- 居民报告的平均满意度为3.50,感知准确度为3.64分之5.
- 71.4%的居民更喜欢LLM和传统反的结合.
结论:
- 通过LLM生成的反显示出作为放射科医生实习生培训的补充工具的潜力.
- 该系统在识别错过的诊断和积极的居民接待方面表现出了准确性.
- 在医学教育反循环中进一步整合人工智能是有必要的.
更多相关视频
07:57Positron Emission Tomography-based Dose Painting Radiation Therapy in a Glioblastoma Rat Model using the Small Animal Radiation Research Platform
Published on: March 24, 2022
2.7K
05:18Author Spotlight: Improving Radiation Therapy Access with Radiation Planning Assistant
Published on: October 6, 2023
1.3K
