DR-GPT:用于分析糖尿病视网膜病变患者的医疗报告的大型语言模型
Joel Jaskari1, Jaakko Sahlsten1, Paula Summanen2
1Department of Computer Science, Aalto University, Espoo, Finland.
PloS one
|October 11, 2024
概括
一个新的AI工具DR-GPT可以从非结构化的医疗报告中对糖尿病视网膜病变的严重程度进行分类. 这种自动化方法改善了数据分析,并提高了用于检测糖尿病视网膜病变的图像分类器的性能.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 糖尿病视网膜病变 (DR) 是导致失明的主要原因.
- 目前的DR查依赖于手动分析 fundus 图像和报告.
- 非结构化的医疗报告阻碍了自动化DR严重程度分类和统计分析.
研究的目的:
- 开发和评估一个大型语言模型 (DR-GPT) 来从非结构化的临床笔记中对糖尿病视网膜病变的严重程度进行分类.
- 评估DR-GPT产生的标签对基底图像分类器性能的影响.
主要方法:
- 训练了一个大型语言模型DR-GPT,从非结构化的医疗报告中提取和分类DR严重程度.
- 在临床数据集上使用二次加权的科恩卡帕来评估模型的性能.
- 用DR-GPT生成的标签来增强用于训练图像分类器的非标签数据.
主要成果:
- 通过使用切断的早期治疗糖尿病视网膜病变研究尺度,DR-GPT实现了0.975的二次加权科恩卡帕,用于DR严重程度分类.
- 整合DR-GPT注释显著提高了图像分类器的性能.
结论:
- 像DR-GPT这样的大型语言模型为分析非结构化医疗数据提供了强大的解决方案.
- 自动化DR严重程度分类可以简化数据分析和改善糖尿病视网膜病变的诊断工具.


