评估日本FDG-PET报告中的恶性淋巴瘤的卢加诺分类的大型语言模型

科学领域:

• 放射学中的人工智能
• 医疗报告的自然语言处理.
• 瘤学和血液学成像分析分析

背景情况:

• 精确地确定恶性淋巴瘤的病期对于治疗计划和预后至关重要.
• 解读自由文本放射学报告,例如来自FDG-PET扫描的报道,对自动化分析提出了挑战.
• 大型语言模型 (LLM) 在理解和从非结构化临床数据中提取信息方面表现有前途.

研究的目的:

• 评估四个领先的LLM (GPT-4o,克劳德3.5索内特,Llama 3 70B,Gemma 2 27B) 在分类恶性淋巴瘤阶段中的表现.
• 评估这些LLM根据卢加诺分类来解释日本自由文本FDG-PET报告的能力.
• 为了比较基于LLM的分期与专家放射科医生评估的准确性.

主要方法:

• 一项回顾性研究包括80名患有恶性淋巴瘤的患者,这些患者接受了FDG-PET/CT.分期测试.
• 这是一个很棒的节目,这是一个很棒的节目.
• 发现结果 发现结果
• 报告的部分由每个LLM直接分析.
• 劳动力管理师分配了卢加诺阶段,并使用总体准确性和加权的卡帕统计数据与参考标准对比来评估绩效.

主要成果:

• GPT-4o获得了最高的准确性 (75%) 与实质性的协议 (κ=0.801).
• 克劳德 3.5 索内特显示了61.3%的准确性 (κ=0.763).
• 杰玛227B (58.8%) 和拉玛370B (57.5%) 也表现出相当大的同意.

结论:

• 根据日本FDG-PET报告,GPT-4o在卢加诺分类中显著优于其他评估的LLM.
• 先进的LLM显示出解释临床文本和标准化放射学数据的潜力.
• 虽然从现有报告中自动分期的直接临床实用性可能是有限的,但LLM在理解非结构化的放射学信息方面具有价值.