开源大型语言模型的使用,用于自动合成患者的整个成像医疗记录:可行性研究

科学领域:

• 人工智能在医学中的应用
• 在医疗保健中的自然语言处理.
• 放射学 信息学 信息学

背景情况:

• 审查广泛的患者成像史至关重要,但耗时,可能会影响工作流程和临床决策.
• 目前用于合成患者成像记录的方法资源密集,可能会影响诊断质量.
• 对于管理和解释大量医学成像数据的高效工具的需求正在增长.

研究的目的:

• 评估三个开源大语言模型 (LLM) 在自动生成患者成像记录的简要摘要方面的有效性.
• 与原始放射学报告相比,评估LLM生成的摘要的准确性和临床相关性.
• 确定LLM在减少审查成像历史所需的时间和资源方面的潜力.

主要方法:

• 使用了三个先进的开源LLM (Llama 3.2 11B,Mistral 7B,猎7B).
• 每个LLM处理了来自多名患者的放射学报告的数据集.
• 经验丰富的放射科医生和临床医生使用标准化指标对准确性和临床实用性进行了总结评估.

主要成果:

• 与原始放射学报告相比,LLM生成的摘要显示出良好的准确性和临床相关性.
• 专家评估表明,人工智能生成的摘要的简易参考性和临床实用性得到了积极的评价.
• 使用LLM摘要显示,在审查之前的成像检查时可以节省大量时间,而不会影响数据质量.

结论:

• 开源的大型语言模型在生成患者成像史的有效摘要方面显示出希望.
• 通过简化大量报告的管理,LLM生成的摘要有可能提高放射学工作流程.
• 这些人工智能工具可以提高效率,并支持医学成像数据解释的临床决策.