对肺RADS相关问题的大型语言模型的性能进行比较
Eren Çamur1, Turay Cesur1, Yasin Celal Güneş1
1Eren Çamur, MD, Department of Radiology, Ministry of Health Ankara 29 Mayis State Hospital, Ankara, Turkey; Turay Cesur, MD, Department of Radiology, Ankara Mamak State Hospital, Ankara, Turkey; Yasin Celal Güneş, MD, Department of Radiology, TC Saglik Bakanligi Kirikkale Yuksek Ihtisas Hastanesi, Kırıkkale, Turkey.
JCO global oncology
|August 29, 2024
概括
大型语言模型 (LLM) 在解释肺癌查的肺RADS评估方面表现有前途. 克劳德3Opus和Perplexity实现了96%的准确性,提高了放射学实践.
科学领域:
- 放射学中的人工智能
- 医学成像分析 医学成像分析
- 肺癌查技术 肺癌查技术
背景情况:
- 肺癌查计划使用像肺RADS这样的标准化报告系统.
- 对成像检测结果的准确解释对于有效的肺癌查至关重要.
- 人工智能的整合,特别是大型语言模型 (LLM),是放射学中一个新兴的领域.
研究的目的:
- 评估LLM在解释肺RADS评估中的表现.
- 确定不同LLM在癌症查肺结节分类中的准确性.
- 探索LLM的潜力,以提高目前肺癌检测中的放射学实践.
主要方法:
- 使用 Lung-RADS 分类的肺癌查病例队列.
- 一些LLM,包括Claude 3 Opus和Perplexity,用于解释成像数据并分配肺RADS类别.
- 绩效的评价是基于准确性,与专家放射科医生的解释相比.
主要成果:
- 克劳德3的Opus和Perplexity在解释肺RADS评估时表现出96%的高准确率.
- 这些模型在这个特定任务中表现优于其他评估的LLM.
- 这些发现表明,在肺癌查中,LLM辅助口译具有显著的潜力.
结论:
- 士学位整合提供了一种创新的方法,以提高肺癌查解释的准确性和效率.
- 克劳德3作品Opus和Perplexity在放射学实践中对临床应用特别有希望.
- 需要进一步的研究来验证这些发现在更大,更多样化的数据集中,并探索更广泛的临床整合.
