大型语言模型在暗示上肢神经卷入方面的作用MRI报告与肌肉缩迹象
Teodoro Martín-Noguerol1, Pilar López-Úbeda2, Antonio Luna3
1MRI unit, Radiology department, HT medica, Carmelo Torres n°2, 23007, Jaén, Spain. t.martin.f@htime.org.
Clinical neuroradiology
|June 5, 2025
概括
一个使用大型语言模型 (LLM) 的新投票系统准确地识别了与上肢MRI中的肌肉缩相关的外周神经 (PNs). 这种人工智能工具帮助放射科医生诊断神经相关疾病.
科学领域:
- 医学成像分析分析 医学成像分析
- 放射学中的人工智能
- 神经肌肉疾病诊断神经肌肉疾病诊断
背景情况:
- 从MRI报告中确定特定的外周神经 (PNs) 参与上肢肌肉脱皮是复杂的.
- 大型语言模型 (LLM) 提供了自动化诊断过程的潜力.
研究的目的:
- 开发,比较和验证LLMs,以便在上肢MRI报告中自动识别肌肉和PN之间的关系.
- 评估包括BERT,DistilBERT,mBART,RoBERTa和Medical-ELECTRA在内的各种LLM在这个任务中的表现.
主要方法:
- 追溯分析了300份西班牙上肢MRI报告,其中包括肌肉缺血迹象 (2018-2024年).
- 由专家放射科医生手动注释受影响的PNS (中枢,腰椎,半径,椎,上额头).
- 多个LLM的微调和评估,加上用于整合预测的自动多数投票系统.
主要成果:
- 投票系统获得了高的F1分数:0.88 (中位数),1.00 (角) 和0.90 (辐射).
- 医学-ELECTRA在关神经和上神经方面表现强 (F1 > 0.82).
- mBART的性能较低,中枢神经的F1得分为0.38.
结论:
- 开发的投票系统在确定与上肢MRI上的肌肉缩相关的PN方面通常超过个人LLM.
- 这种人工智能驱动的方法可以帮助放射科医生,在他们的报告中建议涉及PN,提高诊断效率.


