GPT4LFS (对于腰椎骨狭窄的生成预训练变压器4omni):通过大型多式模式模型增强腰椎骨狭窄的图像分类

科学领域:

• 医疗成像中的人工智能
• 深度学习用于诊断支持
• 脊柱成像分析 脊柱成像分析

背景情况:

• 腰椎前狭窄 (LFS) 是一种普遍的脊柱状况,需要精确的评估.
• 目前对LFS的MRI报告通常是低效的,深度学习模型面临着概括和解释性挑战.
• 医生的专业知识仍然是LFS评估诊断有效性的基准.

研究的目的:

• 开发和评估一个多式大型语言模型 (GPT4LFS),以提高LFS图像分类的准确性和效率.
• 为了实现LFS的快速,精确的自动诊断,减少对手册注释的依赖.
• 为了提高腰椎前狭窄的整体诊断效率.

主要方法:

• 一个多式融合框架,GPT4LFS,集成成像数据 (ConvNeXt) 和自然语言描述 (GPT-4o,RoBERTa) 用于LFS特征提取.
• 马巴建筑被用来有效地融合图像和文本特征.
• 在内部和外部测试集上使用准确度,灵敏度,特异性和科恩的卡帕系数来评估性能.

主要成果:

• GPT4LFS实现了高性能:内部测试组 (精度93.7%,灵敏度95.8%,特异性94.5%,卡帕=0.89) 和外部测试组 (精度92.2%,灵敏度92.2%,特异性97.4%,卡帕=0.88).
• 该模型在内部和外部验证数据集中表现出良好的一致性.
• 开发模型的代码在GitHub上公开提供,用于研究和开发.

结论:

• GPT4LFS模型为LFS提供了准确的图像分类,与专业临床医生相比.
• 这种多式联络方法有效地整合了成像和文本数据,从而提供了强大的诊断能力.
• 该研究强调了先进的人工智能模型的潜力,以提高脊髓成像诊断准确性和效率.