提取增强生成提高了GPT-4模型的精度和可靠性,用于紧急放射学诊断和分类:一项概念验证研究

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 创伤伤害需要在放射学中准确和及时诊断.
• 大型语言模型 (LLM) 在医疗应用中显示出潜力,但需要专业知识.
• 通过外部知识库来增强LLM,可以提高他们在特定任务上的表现.

研究的目的:

• 评估恢复增强生成 (RAG) 对用于诊断和分类创伤损伤的GPT-4模型的影响.
• 评估 RAG 增强的专用 GPT-4 模型 (TraumaCB) 与通用 GPT-4 模型的性能.

主要方法:

• 进行了一项前性概念验证研究.
• 提取增强生成被用来将创伤放射学专家知识整合到GPT-4中,创建了TraumaCB.
• 为50个创伤创伤生成了放射性报告的结果,并由三个放射科医生对100份报告进行了准确性和可信度的评估.

主要成果:

• 创伤CB在诊断方面实现了100%的准确性,在分类方面达到96%,在分级方面达到87%.
• 通用GPT-4在诊断方面达到93%的准确性,在分类方面达到70%,在分级方面达到48%.
• 对于解释和信任,TraumaCB给出了很高的评分,在缺乏标准化分类系统的受伤中指出了挑战.

结论:

• 用RAG增强GPT-4大大提高了其对创伤损伤的诊断和分类能力.
• 创伤CB模型为放射学中创伤损伤的有效和透明评估提供了一个有价值的工具.
• RAG有可能为聊天机器人提供专门的紧急放射学知识,改善临床工作流程和报告定制.