放射学结构化报告的大型语言模型:过去,现在和未来
Felix Busch1, Lena Hoffmann2, Daniel Pinto Dos Santos3,4
1School of Medicine and Health, Department of Diagnostic and Interventional Radiology, Klinikum rechts der Isar, TUM University Hospital, Technical University of Munich, Munich, Germany. felix.busch@tum.de.
European radiology
|October 22, 2024
概括
大型语言模型 (LLM) 显示出在放射学中自动化结构化报告 (SR) 的前景,尽管目前的研究有限. 这些人工智能工具可以提高效率和准确性,促进更广泛的SR采用.
科学领域:
- 放射学中的人工智能
- 医疗报告的自然语言处理.
- 放射学信息系统 放射学信息系统
背景情况:
- 结构化报告 (SR) 旨在标准化放射学报告,以提高质量和减少错误.
- 由于各种挑战,SR的广泛采用一直受到阻碍.
- 大型语言模型 (LLM) 为自动化和促进SR提供了潜在的技术解决方案.
研究的目的:
- 为放射学和相关领域的SR提供有关LLM的当前文献的叙述性综述.
- 探索LLM在放射学报告处理中的能力和局限性.
主要方法:
- 审查现有的研究,重点关注LLMs (GPT-3.5,GPT-4,困惑,Bing聊天,IT5) 的SR.
- 对有关LLM在SR任务中的表现报告结果的分析.
- 确定包括多语言能力,局限性和监管考虑在内的关键主题.
主要成果:
- 目前关于SR的LLM的文献有限,但显示出有希望的结果.
- 几项研究使用生成预训练变压器 (GPT) 模型,显示出积极的结果.
- 在多项研究中,LLM对SR的多语言应用被发现是可行的.
结论:
- LLM具有显著的潜力,可以提高SR和整体放射学报告处理的效率和准确性.
- 克服诸如不透明算法和数据问题等局限性对于临床整合至关重要.
- 在放射学LLM的未来作用取决于解决监管挑战和进一步的研究.


