在乳腺磁共振成像报告中使用大型语言模型和变压器启动BI-RADS分类
Yuxin Liu1,2, Xiang Zhang3,4, Weiwei Cao1,2
1School of Biomedical Engineering (Suzhou), University of Science and Technology of China, Division of Life Sciences and Medicine, Hefei, 230026, Anhui, China.
Visual computing for industry, biomedicine, and art
|April 3, 2025
概括
这项研究引入了一种新的方法来分类乳腺癌,使用来自磁共振成像 (MRI) 报告的结构化信息,提高诊断准确性和患者护理.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 乳腺癌是全球女性的主要恶性瘤.
- 磁共振成像 (MRI) 报告包含关键的诊断信息.
- 有效利用MRI报告数据对于患者管理至关重要.
研究的目的:
- 开发一种新的方法来对乳房MRI报告进行BI-RADS分类.
- 为了利用大型语言模型来构建自由文本MRI报告.
- 通过自动化报告分析,提高乳腺癌诊断的准确性和可靠性.
主要方法:
- 利用大型语言模型 (Qwen-Chat,Qwen-7B-Chat) 将自由文本MRI报告转化为结构化数据.
- 在结构化报告中补充缺少的类别信息 (MCI) 与默认值.
- 采用基于知识的提示和融合策略,将自由文本和结构化报告相结合,用于分类模型培训.
- 通过本地部署的Qwen-Chat模型确保数据隐私.
主要成果:
- 拟议的BI-RADS分类方法与现有的报告分类技术相比,表现优越.
- 结构化方法在外部测试集中表现优于GPT-4o,验证了其稳定性和通用性.
- 废弃性研究证实了知识驱动的提示,MCI补充和融合策略对模型有效性的关键贡献.
结论:
- 乳腺MRI报告分析的新型结构化方法显著提高了BI-RADS分类的准确性.
- 该方法提供了一种保护隐私的,强大的,高效的解决方案,用于支持乳腺癌诊断中的临床决策.
- 这种人工智能驱动的方法代表了利用医学成像报告以改善患者的结果的重大进步.
