相关实验视频
Updated: May 10, 2026

Models of Bone Metastasis
Published on: September 4, 2012
从非结构化放射学报告中提取渐进性骨转移的微调大语言模型
Noriko Kanemaru1, Koichiro Yasaka2, Nana Fujita1
1Department of Radiology, Graduate School of Medicine, The University of Tokyo, 7-3-1 Hongo, Bunkyo-Ku, Tokyo, 113-8655, Japan.
一个微调的大型语言模型 (LLM) 可以有效地从日本放射学报告中检测骨转移. 这种人工智能工具的性能与放射科医生相当,大大减少了早期患者检测和预后改善的分析时间.
科学领域:
- 医疗信息学 医疗信息学
- 放射学中的人工智能
- 在瘤学瘤学.
背景情况:
- 早期发现骨转移对于改善患者预后至关重要.
- 为了检测转移,手动审查放射学报告是耗时的.
- 大型语言模型 (LLM) 显示了自动化医疗文本分析的潜力.
研究的目的:
- 评估微调,本地运行的LLM的可行性,以从非结构化的日本放射学报告中提取骨转移信息.
- 为了比较LLM的表现与放射科医生的手动注释.
- 评估基于LLM的检测与手动审查的时间效率.
主要方法:
- 一项回顾性研究利用了来自三个不同时期的日本放射学报告进行培训,验证和测试.
- 报道被放射科医生分为没有骨转移,进展性骨转移或稳定/减少的骨转移.
- 一个微调的LLM被开发和测试对两个独立的放射科医生在一个不足样本的测试数据集.
主要成果:
- 精心调整的LLM实现了0.979的精度,与放射科医生 (0.996和0.993) 相比.
- 对于检测不同转移组的灵敏度在LLM和放射科医生中都很高.
- 与手动注释 (2312 和 3094 秒) 相比,LLM 的分类时间 (105 秒) 要少得多.
结论:
- 一个精心调整的LLM可以有效地从日本放射学报告中提取骨转移患者.
- 该LLM证明了令人满意的表现,可比或略低于专家放射科医生.
- 基于LLM的分析为早期检测和预后改善提供了大量的节省时间的优势.
更多相关视频
07:12Semiautomated Longitudinal Microcomputed Tomography-based Quantitative Structural Analysis of a Nude Rat Osteoporosis-related Vertebral Fracture Model
Published on: September 28, 2017
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
相关概念视频
Bone Structure
Bone Remodeling
Classification of Bones
Long and Short Bones
The appendicular skeleton, particularly the upper and lower limbs, is primarily made of long and short bones. The long...
Bone Remodeling and Repair
Point and Frameshift Mutations