相关实验视频
Updated: May 28, 2026
10:26
A 3D Digital Model for the Diagnosis and Treatment of Pulmonary Nodules
Published on: May 19, 2023
胸部X射线病理中的自动化放射学报告标记:大型语言模型框架的开发和评估
Abdullah Abdullah1, Seong Tae Kim1
1Department of Computer Science and Engineering, Kyung Hee University, 1732 Deogyeong-daero, Giheung-gu, Yongin, Gyeonggi-do, 17104, Republic of Korea, 82 312013761.
JMIR medical informatics
|March 28, 2025
概括
一个基于生成预训练变压器 (GPT) 的大型语言模型 (LLM) 在标记放射学报告方面表现强,超过CheXpert并匹配CheXbert. 这表明LLM为医学成像中的结构化数据创建提供了有希望的替代方案.
科学领域:
- 医疗成像中的人工智能
- 临床数据的自然语言处理.
- 放射学报告 分析 分析
背景情况:
- 无结构放射学报告的自动标记对于结构化数据集的创建至关重要.
- 目前的方法,如基于BERT的模型和手动注释,具有可扩展性和性能限制.
研究的目的:
- 评估基于生成预训练变压器 (GPT) 的大型语言模型 (LLM) 进行放射学报告标签.
- 通过使用MIMIC-CXR数据集,比较LLM与CheXbert和CheXpert的有效性.
主要方法:
- 一个LLM的方法是微调专家标记的放射学报告.
- 对687张胸部X射线报告进行了评估,对14种胸部病理的F1分数进行了比较.
- 统计学显著性是通过对联t测试和威尔科克森签名等级测试来确定的.
主要成果:
- 基于GPT的LLM获得了0.9014的F1平均得分,超过CheXpert (0.8864) 和接近CheXbert (0.9047).
- 对于正负确定性,LLM得分为0.8708,超过了CheXpert (0.8525).
- 该LLM在复杂,较长的描述上表现出卓越的表现,这是由于其扩展的上下文长度.
结论:
- 与现有方法相比,基于GPT的LLM在放射学报告标签方面提供了竞争力,并且往往具有更高的性能.
- 法律法规提供了增强的上下文理解,并减少了特征工程的需要,使它们成为BERT的合适替代品.
- 在处理复杂的放射学信息时,LLM的延长背景长度是有利的.
