通过本地大型语言模型改进放射学报告的简洁性和结构

科学领域:

• 医学成像信息学 医疗成像信息学
• 医疗保健中的人工智能
• 改善临床文档的改善

背景情况:

• 放射学报告往往是漫长且无结构的,阻碍了对关键发现的快速识别.
• 这可能会导致转诊医生的挑战,以及错过信息的风险增加.
• 从临床报告中有效地提取信息,对于有效的患者护理至关重要.

研究的目的:

• 通过提高简洁性和结构来增强放射学报告.
• 组织相关机构的发现,以提高可读性.
• 评估本地部署的大型语言模型 (LLM) 对此任务的有效性.

主要方法:

• 一项回顾性研究利用了七位经过董事会认证的身体放射科医生的814份放射学报告.
• 在机构防火墙内实施私有,本地部署的大型语言模型 (LLM).
• 使用LangChain框架测试五种提示策略,评估包括Mixtral和Llama在内的模型.

主要成果:

• 与其他模型相比,Mixtral LLM 证明了对格式要求的优越遵守.
• 一个最佳的策略涉及报告的缩写,然后是结构化的格式化,减少多言多语.
• 在所有报告和放射科医生中,Mixtral LLM 减少了超过 53% 的冗余字数.

结论:

• 在本地部署的开源LLM显示了简化放射学报告的巨大潜力.
• 由LLM生成的简洁,结构良好的报告可以增强转诊医生的信息检索能力.
• 这项技术可以通过确保关键发现容易获得来改善临床工作流程和患者护理.