使用大型语言模型检测新病变:在现实世界多发性硬化症数据集中的应用
Shane Poole1, Nikki Sisodia1, Kanishka Koshal1
1UCSF Weill Institute for Neurosciences, University of California San Francisco, San Francisco, CA, USA.
Annals of neurology
|April 25, 2025
概括
一个新的大型语言模型提示符有效地从多发性硬化症 (MS) MRI报告中提取关键数据. 该工具有助于监测治疗反应和识别疾病活动预测因素.
科学领域:
- 人工智能在医学中的应用
- 神经成像分析分析 神经成像分析
- 多发性硬化症研究研究
背景情况:
- 神经成像对于在多发性硬化症 (MS) 中检测新的炎症活动至关重要.
- 电子健康记录 (EHR) 包含有价值的叙述性MRI报告,这些报告对研究进行分析具有挑战性.
- 自动从这些报告中提取离散数据可以显著有利于MS研究.
研究的目的:
- 开发一个大型语言模型 (LLM) 提示,用于分类叙事MRI报告.
- 评估提示器在识别新的T2加权病变 (newT2w) 和对比度增强病变 (CEL) 的准确性和效率.
- 证明LLM在监测MS患者B细胞消耗疗法 (BCDT) 反应中的应用.
主要方法:
- 一个机构生态系统将医疗保健数据与ChatGPT4集成,用于分析MS MRI报告 (2000-2022).
- 创建了一个精细的LLM提示符 (msLesionprompt) 来分类newT2w和CEL.
- 验证包括效率评估 (时间,成本),与手册注释进行比较,并分析BCDT治疗预测因素.
主要成果:
- msLesionprompt在新T2w (97%) 和CEL (96.8%) 检测方面取得了很高的准确性.
- 在4.13小时内处理了14888份报告,费用为28美元,其中79%没有显示新的活动.
- 在基线扫描后,BCDT显示>97%抑制了新的炎症活动.
- 邻里贫困 (区域贫困指数) 成为炎症活动的预测因素.
结论:
- 从叙事成像报告中提取离散信息的LLM驱动的提取是可行的和高效的.
- 这种自动化方法可以增强对MS疾病进展和治疗有效性的现实世界分析.
- 该方法有可能扩大MS的各种研究应用.
