利用大型语言模型来生成瘤成像要求的临床病史
Rajesh Bhayana1, Omar Alwahbi1, Aly Muhammad Ladak1
1From the Joint Department of Medical Imaging, University Medical Imaging Toronto, Princess Margaret Cancer Centre, University of Toronto, Toronto General Hospital, 200 Elizabeth St, Peter Munk Building, 1st Fl, Toronto, ON, Canada M5G 24C (R.B., O.A., A.B.D., K.E., J.A.G., A.J., K.J., S.J., D.K., D.W., A.K., S.K.); Department of Medicine, University of Toronto, Toronto, Canada (A.M.L.); Department of Biostatistics, University Health Network, Toronto, Canada (Y.D.); and Department of General Internal Medicine, Mount Sinai Hospital, Toronto, Canada (C.S.).
大型语言模型 (LLM) 可以从临床笔记中自动生成用于瘤成像的准确临床病史. 这些LLM生成的历史更完整,被放射科医生所偏爱,提高了解释和安全性.
科学领域:
- 放射学中的人工智能
- 临床信息学 临床信息学
- 瘤成像学成像学
背景情况:
- 关于瘤成像要求的医生提供的历史记录往往缺乏关键细节,阻碍了准确的解释.
- 临床信息对于改善瘤成像研究的解释至关重要.
研究的目的:
- 评估大语言模型 (LLM) 在为瘤成像要求自动生成临床病史方面的有效性.
- 为了比较LLM生成的历史与原始要求历史的完整性和质量.
主要方法:
- 一个多学科团队确定了瘤成像史的10个关键参数.
- GPT-4用于从200名患者的电子健康记录临床笔记中生成结构化临床病史.
- 用回忆,精度和F1分数来评估LLM绩效;历史记录以完整性和放射科医生偏好进行比较.
主要成果:
- 在从临床笔记中提取瘤学参数方面,GPT-4表现出高性能 (F1 = 0.983).
- 由LLM生成的病史显著更完整,包括初级瘤诊断 (99.5% vs 89%) 和急性症状 (15% vs 4%).
- 放射科医生更喜欢LLM生成的历史 (89%) 的解释,理由是提高完整性和较低的感知危害.
结论:
- 大型语言模型可以准确地自动生成从临床笔记中进行瘤成像的临床病史.
- 通过LLM生成的历史记录提供了卓越的完整性,并被放射科医生所偏爱,提高了成像解释和患者安全.
- 这项技术有可能简化征集过程并提高瘤成像的质量.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
07:50A Metadata Extraction Approach for Clinical Case Reports to Enable Advanced Understanding of Biomedical Concepts
Published on: September 20, 2018
