通过检索增强的大型语言模型和阅读报告数据库来增强PET成像报告能力:一个单一中心试点研究数据库.
Hongyoon Choi1,2,3, Dongjoo Lee4, Yeon-Koo Kang5
1Department of Nuclear Medicine, Seoul National University Hospital, 101 Daehak-ro, Jongno-gu, Seoul, 03080, Republic of Korea. chy1000@snu.ac.kr.
European journal of nuclear medicine and molecular imaging
|January 22, 2025
概括
检索增强生成 (RAG) 大语言模型 (LLM) 通过引用先前的PET报告和帮助诊断来改善医学成像报告. 这种人工智能工具通过找到类似的病例并建议潜在的诊断来增强核医学实践.
科学领域:
- 人工智能在医学中的应用
- 在医疗保健中的自然语言处理.
- 医学成像分析 医学成像分析
背景情况:
- 大型语言模型 (LLM) 显示了临床环境中自然语言任务的潜力,包括医学成像报告.
- 将LLM与临床数据相结合,可以提高诊断准确性和报告效率.
研究的目的:
- 评估一个提取增强代 (RAG) LLM系统,以改善医学成像报告.
- 评估与PET报告数据库集成的LLM的有效性,以参考先前的案件并支持决策.
主要方法:
- 使用长达十年的PET成像报告数据库开发了一个具有检索能力的定制LLM框架.
- 矢量空间嵌入方便基于相似性的检索,以生成基于上下文的答案,并识别类似的案例或差异诊断.
- 经验丰富的核医学医生在相关性和适当性得分上评估了系统的性能.
主要成果:
- 该RAG LLM系统准确地按诊断和研究类型在嵌入式矢量空间中对PET报告进行集群.
- 该系统在引用类似的过去案例和识别模范案例方面展示了潜力.
- 84.1%的检索案例被认为是相关的类似案例,RAG系统与非RAG的LLM相比,显著提高了被建议的潜在诊断的适当性.
结论:
- 将RAG LLM与PET报告数据库集成,可以通过识别类似病例和推导潜在诊断来支持核医学成像读取.
- 先进的AI工具,如RAG LLM,有可能改变医学成像报告实践.
