使用大型语言模型标准化异质MRI系列描述元数据

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 放射学和机器学习应用程序

背景情况:

• 磁共振成像元数据,特别是自由文本系列描述 (SDs),由于来自制造商和技术人员的输入变化,表现出显著的异质性.
• 这种变异性使MRI序列的准确识别变得复杂,影响了诸如悬挂协议选择和数据集策划等基本任务.

研究的目的:

• 评估大型语言模型 (LLM) 在自动分类异质MRI系列描述 (SD) 中的有效性.
• 为了评估各种LLM的性能与神经放射学家对MRISDs的基本真相分类相比.

主要方法:

• 在2016年至2022年期间进行的无对比脑部MRI检查的分析.
• 由执业的神经放射学家将独特系列描述 (SD) 手动分类到预定义的类别 (T1,T2,T2/FLAIR,SWI,DWI,ADC,其他).
• 多个LLM (GPT 3.5 Turbo,GPT-4,GPT-4o,Llama 3 8b,Llama 3 70b) 的性能评估,使用曲线下的面积 (AUC) 作为主要指标,GPT-4o还负责生成正则表达式模板.

主要成果:

• 观察到高度的变化,在1395个独特的SD中,52.1%的SD只出现在一次.
• 当提供详细提示时,GPT-4o获得了最高的性能,所有系列的平均AUC为0.983 ± 0.020.
• GPT模型显著优于Llama模型;GPT-4o的正则表达式生成显示出不一致的性能 (AUC为0.774±0.161).

结论:

• 大型语言模型 (LLM) 在解释和标准化异质MRI系列描述 (SD) 中表现出显著的有效性.
• 该研究强调了LLM在提高MRI数据管理和分析的准确性和效率方面的潜力.