精心调整的大型语言模型,根据计算机断层扫描或磁共振成像报告提取新发现的急性脑梗塞
Nana Fujita1, Koichiro Yasaka2, Shigeru Kiryu3
1Department of Radiology, National Center for Global Health and Medicine, Japan Institute for Health Security, Tokyo, Japan.
Emergency radiology
|June 1, 2025
概括
一个大型语言模型 (LLM) 可以从放射学报告中自动检测急性脑梗塞. 这种人工智能系统在CT和MRI扫描中识别新的脑梗塞方面取得了很高的准确性.
科学领域:
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
- 在医疗保健中的自然语言处理.
背景情况:
- 早期检测急性至亚急性脑梗塞对于及时干预和改善患者结果至关重要.
- 放射学报告包含有价值的信息,但手动审查是耗时的.
- 自动化对自由文本放射学报告的分析可以加快诊断.
研究的目的:
- 开发和评估用于识别急性至亚急性脑梗塞的自动化预警系统.
- 利用大型语言模型 (LLM) 来分析自由文本计算机断层扫描 (CT) 和磁共振成像 (MRI) 放射学报告.
- 将报告分为新发现的心脏病发作,已知的心脏病发作或没有心脏病发作的类别.
主要方法:
- 这是一项追溯性研究,涉及5573名 (培训),1883名 (验证) 和834名 (测试) 患者.
- 微调一个日本双向编码器从变压器 (BERT) LLM的表示,以分类CT和MRI报告.
- 在15次培训/验证代后,在测试数据集上评估表现最佳的模型.
主要成果:
- 最好的LLM获得了高灵敏度:0.891 (新的心脏病发作),0.905 (已知的心脏病发作) 和0.959 (没有心脏病发作).
- 宏敏度和准确度分别为0.918和0.923,它们的分别值为0.918和0.923.
- 该模型在提取新发现的急性脑梗塞 (AUC为0.979) 和快速预测时间 (0.115s/患者) 中表现出色.
结论:
- 一个微调的LLM有效地从CT/MRI报告中提取新发现的急性至亚急性脑梗塞.
- 该系统在临床实践中显示出高性能和早期预警潜力.
- 使用LLM进行放射学报告的自动分析可以显著帮助诊断脑梗塞.
