加强头癌的放射性报告:使用大型语言模型将自由文本CT扫描报告转换为结构化报告
Amit Gupta1, Hema Malhotra2, Amit K Garg3
1Department of Radiodiagnosis, All India Institute of Medical Sciences New Delhi, New Delhi, India.
The Indian journal of radiology & imaging
|December 19, 2024
概括
大型语言模型 (LLM) 可以有效地将头癌计算机断层扫描报告转换为结构化格式. 这种应用增强了结构化放射学报告在瘤学中的临床实用性.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 结构化放射学报告在瘤患者护理中提供了显著的优势,但由于工作流集成问题,在例行临床采用方面面临挑战.
- 将自由文本报告转换为结构化格式对于数据分析和临床决策至关重要.
研究的目的:
- 评估大型语言模型 (LLM) 在将头癌 (HNCa) 患者的自由文本计算机断层扫描 (CT) 报告转化为结构化格式的有效性.
- 与放射科医生评估相比,评估LLM生成的结构化报告的准确性和完整性.
主要方法:
- 对150份HNCa CT报告进行了回顾性分析.
- 使用生成预训练式变压器4 (GPT-4) 转换报告,使用最初的,然后改进的结构化报告模板.
- 放射科医生进行了审查,以确定结构化报告中缺失,误解或错误的信息.
主要成果:
- 最初,GPT-4转换了50份报告,其中有一些缺失数据 (例如,气管切除管,cleidomastoid肌参与) 和轻微误解 (例如,肺结节).
- 在模板改进后,GPT-4成功将100个CT报告转换为结构化格式,没有错误.
- 在任何阶段,GPT-4都没有引入错误的额外发现.
结论:
- 像GPT-4这样的LLM是利用清晰提示和全面模板构建自由文本放射学报告的有效工具.
- 这种人工智能驱动的方法可以提高结构化放射学报告在瘤成像中的接受度和临床实用性.
- 法律与法律流程 (LLM) 便于将结构化报告纳入常规的临床实践,克服传统的工作流障碍.
