通过一种大型语言模型来增强放射学特征,用于在乳腺扫描中分类良性和恶性乳腺瘤
Sinyoung Ra1, Jonghun Kim2, Inye Na2
1Department of Artificial Intelligence, Sungkyunkwan University, Suwon, Republic of Korea.
Computer methods and programs in biomedicine
|April 9, 2025
概括
这项研究将大型语言模型 (LLM) 与乳腺乳房显微镜的放射学相结合,改善瘤分类. 这种新的方法提高了准确性,并使跨数据集的可扩展学习成为可能,优于传统方法.
科学领域:
- 医疗成像中的人工智能
- 无线电学和机器学习
- 生物医学数据分析
背景情况:
- 放射学有助于临床决策,诊断和治疗计划对像乳房这样的器官.
- 大型语言模型 (LLM) 在推进放射学分析方面表现有前途.
研究的目的:
- 用LLM学到的临床知识来加强放射学分析,用于对良性和恶性乳腺瘤进行分类.
- 为了提高放射学模型在乳房影像中的准确性和适应性.
主要方法:
- 放射性特征从乳房影像中提取出来,并根据相关性进行细化.
- 快速工程被用来创建一个微调的LLM (LLaMA变体) 的输入序列.
- 该LLM是微调使用低等级的适应来增强radiomics功能.
主要成果:
- 通过LLM增强的放射学方法,比传统基线获得更高的精度 (0.671在VinDr-Mammo上,0.839在INbreast上).
- 开发的模型证明了可扩展的学习,有效地在数据集中重复使用功能,而无需完全重新培训.
- 在使用未见数据集的再培训场景中,性能超过了基线方法.
结论:
- 这项研究提出了一种新的方法,将LLM整合到放射学中,以改进乳腺瘤分类.
- 该方法显示了在医学成像中推进放射学分析的巨大潜力.
