通过强化学习从AI反对胸部CT报告进行强化学习,将大型语言模型与放射科医生对齐
Lingrui Yang1, Yuxing Zhou2, Jun Qi2
1Department of Radiology, Guang'an men Hospital, China Academy of Chinese Medical Sciences, Beijing 100053, China.
European journal of radiology
|February 15, 2025
概括
从人工智能反 (RLAIF) 进行强化学习,成功地将大型语言模型 (LLM) 与放射科医生进行了胸部CT报告总结. 这种人工智能驱动的方法提高了放射学报告的临床准确性和专业性.
科学领域:
- 放射学中的人工智能
- 医疗报告的自然语言处理.
- 临床决策支持系统 临床决策支持系统
背景情况:
- 大型语言模型 (LLM) 通常无法在医学报告总结中捕捉放射科医生的细微临床判断.
- 这种局限性可能导致放射学报告缺乏关键诊断决策所需的质量和专业性.
研究的目的:
- 通过人工智能反 (RLAIF) 来进行强化学习来研究LLM与放射科医生的对齐.
- 提高胸部CT报告中印象总结的质量和临床意义.
主要方法:
- 一项回顾性研究分析了94,844份胸部CT报告.
- 通过人工智能模型 (Qwen) 和放射科医生对LLM产生的印象进行了比较,并与放射科医生的印象进行了排名.
- 通过基于这个比较数据集的强化学习来进一步微调LLM.
主要成果:
- 人工智能模型 (Qwen) 在排名报告印象中与放射科医生达成77.9%的同意率.
- 与非对齐的对应器 (P < 0.001) 相比,对齐的LLM在精度 (2.56%),回忆 (1.77%) 和F1得分 (1.13%) 中显示出显著的性能改善.
结论:
- 使用RLAIF的放射科医生与LLMs的明确对齐有效地改善了胸部CT报告印象生成.
- 人工智能反显示出作为人类反的可行替代品,用于在放射学中对准LLMs的潜力.
- 这项研究支持AI反在临床CT报告总结和未来放射学多模式LLM开发中的应用.
