构建一个大型语言模型,从放射学报告中的发现中产生印象
Lu Zhang1, Mingqian Liu1, Lingyun Wang1
1From the Department of Radiology, Shanghai General Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China (Lu Zhang, L.W., Y.Z., Y.F., J.Z., Lin Zhang, G.Y., X. Xie); Winning Health Technology, Shanghai, China (M.L., X. Xu, Z.P., X.C.); and Department of Radiology, Shanghai Tenth People's Hospital, Tongji University School of Medicine, Yan Chang Zhong Rd 301, Shanghai 200040, China (X. Xie).
Radiology
|September 17, 2024
概括
一个新的大型语言模型 (LLM) 有效地产生放射性印象,包括诊断和建议,用于各种成像研究. 这种人工智能工具展示了专业和语言准确性,帮助放射科医生完成复杂的报告任务.
科学领域:
- 医疗成像中的人工智能
- 用于放射学报告的自然语言处理
- 临床决策支持系统 临床决策支持系统
背景情况:
- 放射学报告需要复杂的诊断印象,包括差异诊断和管理计划.
- 放射学的专业化和复杂性为自动印记生成带来了挑战.
- 现有的方法难以始终地产生全面和准确的放射性印象.
研究的目的:
- 开发和评估一个大型语言模型 (LLM) 用于自动生成放射性印象.
- 在专业和语言质量方面评估LLM的表现.
- 确定LLM在各种放射学模式和解剖学部位的实用性.
主要方法:
- 一个大型语言模型 (LLM) 在20GB的医疗和一般文本上进行了预训练,然后在1.5GB的放射学报告上进行了微调.
- 六名放射科医生利用LLM帮助产生各种成像检查 (CT,MRI,X-ray,乳房影像) 的印象.
- 专家小组使用五分利克特尺度对正确性,连贯性和临床实用性进行了评估,评估了LLM产生的印象.
主要成果:
- 该LLM获得了0.775,0.84和0.772的中位数回忆,精度和F1分数,分别与最终放射科医生印象相比.
- 在子集分析中,LLM产生的印象获得了专家小组中位数5分 (IQR,5-5).
- 该LLM在多种放射学模式和解剖学区域中表现出高性能.
结论:
- 开发的LLM能够产生专业和语言上适当的放射性印象.
- 该LLM显示显著的潜力作为一个工具,以帮助放射科医生在报告生成.
- 人工智能模型适用于广泛的放射学检查,提高报告效率和一致性.
