放射学中大型语言模型的最佳实践
Christian Bluethgen1, Dave Van Veen1, Cyril Zakka1
1From the Stanford Center for Artificial Intelligence in Medicine and Imaging, Palo Alto, Calif (C.B., D.V.V., C.P.L., S.G., A.C.); Institute for Diagnostic and Interventional Radiology, University Hospital Zurich, University of Zurich, Rämistrasse 100, 8005 Zurich, Switzerland (C.B., T.F.); Department of Electrical Engineering, Stanford University, Stanford, Calif (D.V.V.); Department of Cardiothoracic Surgery, Stanford Medicine, Stanford, Calif (C.Z.); Department of Medical Education, Icahn School of Medicine at Mount Sinai, New York, NY (K.E.L.); NVIDIA, New York, NY (K.E.L.); UT Health San Antonio, San Antonio, Tex (A.H.F.); Department of Biomedical Data Science, Stanford Medicine, Stanford, Calif (A.H.F., R.D., C.P.L., A.C.); Department of Dermatology, Stanford Medicine, Redwood City, Calif (R.D.); Department of Medicine, Stanford Medicine, Stanford, Calif (C.P.L., A.C.); and Department of Radiology, Stanford University, Stanford, Calif (C.P.L., S.G., A.C.).
大型语言模型 (LLM) 可以通过改进文本数据管理和解释来增强放射学. 本综述指导放射科医生如何有效利用LLM,涵盖实施的局限性和最佳实践.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 在医疗保健中的自然语言处理.
背景情况:
- 放射科医生将复杂的成像数据与临床信息进行整合,以获得可操作的见解.
- 在放射学实践中,有效的沟通和数据管理至关重要.
- 放射学中大量的文本数据带来了解释和管理的挑战.
研究的目的:
- 在放射学中探索大语言模型 (LLM) 的潜力.
- 为放射科医生提供关于LLM基础和战略实施的见解.
- 为优化LLM在放射学实践中的使用提供实用建议.
主要方法:
- 在专业任务中审查当前的大型语言模型的能力.
- 分析LLM在放射学中管理和解释文本数据的潜力.
- 从实用放射学和机器学习中获得专家见解.
主要成果:
- 在没有特殊培训的情况下,LLM在专业任务中表现出令人印象深刻的能力.
- 了解法学士的基础知识和掌握它们的特点是释放潜力的关键.
- 提供了关于限制,提示和微调策略的实用建议.
结论:
- 士课程为改善放射学工作流提供了显著的机会.
- 战略实施和了解LLM特征对于成功至关重要.
- 这一审查为放射科医生提供了有效的LLM采用知识.


