弱监督的语言模型用于从放射学报告中自动提取关键发现
Avisha Das1, Ish A Talati2, Juan Manuel Zambrano Chaves3
1Arizona Advanced AI & Innovation (A3I) Hub, Mayo Clinic Arizona, Phoenix, AZ, USA.
NPJ digital medicine
|May 9, 2025
概括
这项研究引入了一种使用大型语言模型 (LLM) 的新方法,可以在放射学报告中自动找到关键发现,从而改善患者的护理. 弱监督的方法提高了准确性,使得临床决策更快.
科学领域:
- 医疗信息学 医疗信息学
- 自然语言处理自然语言处理.
- 放射学 放射学是一门学科.
背景情况:
- 放射学报告中的关键发现需要迅速沟通,以便及时管理患者.
- 由于数据稀缺,对这些发现的自动识别具有挑战性.
研究的目的:
- 开发和验证一种弱监督的方法,使用大语言模型 (LLM) 来自动地从放射学报告中提取关键发现.
- 提高临床工作流程中关键发现识别的效率和准确性.
主要方法:
- 在15,000份未标记的放射学报告中实施了两阶段,监督较弱的微调方法.
- 利用微调的LLM从内部和外部数据集中提取关键术语 (梅奥诊所,MIMIC-III).
- 在MIMIC-IV数据上使用专家注释和LLM辅助指标 (G-eval,Prometheus) 验证模型性能.
主要成果:
- 监督较弱的微调方法表明,对关键发现提取的任务调整有所改善.
- 手动和基于LLM的评估证实了该模型的有效性.
- 开发的管道和模型实现了对关键词的可靠提取.
结论:
- 监督较弱的LLM为放射学中自动化关键检测提取提供了可行的解决方案.
- 公共可用的模型可以支持研究和临床应用,以改善患者护理.
- 这种方法解决了医疗NLP任务中有限的标记数据的挑战.
