通过提取增强生成来增强大型语言模型:一种放射学特定的方法.
Dane A Weinert1, Andreas M Rauschecker2
1Department of Radiology, University of Southern California, Keck School of Medicine, 1510 San Pablo St, Ste 350, Los Angeles, CA 90033.
Radiology. Artificial intelligence
|March 12, 2025
概括
检索增强生成 (RAG) 增强了放射学的大型语言模型 (LLM). RAG系统提高了放射学考试的LLM绩效,提供了可引用的,最新的信息,而无需微调.
科学领域:
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
- 放射学 放射学是一门学科.
背景情况:
- 大型语言模型 (LLM) 在医学中显示出潜力,但需要最新的,可引用的信息.
- 检索增强生成 (RAG) 提供了一种方法,可以通过实时的外部知识库来增强LLM.
- 在不需要昂贵的模型微调的情况下,RAG可以提高LLM的性能和放射学中的临床适用性.
研究的目的:
- 开发和评估放射学特定的RAG系统,以提高LLM在放射学知识任务上的表现.
- 为了比较多个LLM的性能与没有RAG在放射学检查.
- 评估RAG系统检索和引用相关领域特定信息的能力.
主要方法:
- 使用3689个RadioGraphics文章 (1999-2023) 的矢量数据库创建了一个放射学特定的RAG系统.
- 五个LLM (GPT-4,Command R+,Claude Opus,Mixtral,Gemini 1.5 Pro) 在192个问题放射学考试中使用和不使用RAG进行了测试.
- 绩效是根据考试成绩和相关参考文献的检索/引用来评估的.
主要成果:
- RAG显著提高了GPT-4 (81.2%对75.5%) 和指挥R+ (70.3%对62.0%) 的得分.
- RAG系统在RadioGraphics来源的问题的一个子集 (85%与76%相比) 上表现优于纯粹的LLMs.
- RAG系统成功地从RadioGraphics数据库中检索并引用了相关引用.
结论:
- 提取增强生成 (RAG) 是一个有前途的策略,以提高在放射学LLM能力.
- RAG系统提供透明的,特定于领域的信息检索,提高基于知识的任务的准确性.
- 这种方法通过确保获得当前,可引用的知识来支持LLM在放射学的临床适用性.
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
8.2K
09:10Digital Hybrid Model Preparation for Virtual Planning of Reconstructive Dentoalveolar Surgical Procedures
Published on: August 5, 2021
1.7K
