提高肺病预测使用大型语言模型与特征总结和混合检索-增强生成:基于放射学报告的多中心方法论研究
Ronghao Li1, Shuai Mao2, Congmin Zhu1
1School of Biomedical Engineering, Capital Medical University, No. 10, Xitoutiao, You An Men, Fengtai District, Beijing, 100069, China, 86 010-83911542.
Journal of medical Internet research
|June 11, 2025
概括
使用新型提示工程的大型语言模型 (LLM) 显著提高了肺部疾病预测的准确性. 这种先进的方法优于传统模型,为临床决策提供了一个有前途的工具.
科学领域:
- 人工智能在医学中的应用
- 医疗保健的自然语言处理.
- 肺部疾病的诊断 肺部疾病的诊断
背景情况:
- 大型语言模型 (LLM) 的快速发展为管理复杂的临床文本提供了潜力.
- 由于复杂性和特异性,在诊断任务的医疗文本中应用快速工程存在挑战.
研究的目的:
- 通过新的提示工程来探索LLM,以提高可解释性和肺部疾病预测.
- 改进传统的深度学习模型,使用先进的AI技术来预测疾病.
主要方法:
- 使用了2965份胸部CT放射学报告的回顾性数据集,这些数据来自健康个体和肺结核,肺癌和肺炎患者.
- 开发了一个新的提示工程策略,集成特征总结 (F-Sum),思维链 (CoT) 推理,以及混合检索增强生成 (RAG) 框架.
- 在内部和外部验证数据集上评估了三个LLM (GLM-4-Plus,GLM-4-air,GPT-4o) 和基于BERT的模型.
主要成果:
- 使用GLM-4-Plus的拟议方法在测试数据集上获得了最高的F1得分 (0.89) 和准确度 (0.89).
- 在外部验证数据集上,GPT-4o表现出卓越的性能,F1得分为0.86,准确度为0.92.
- 基于LLM的F-Sum和自动生成的CoT策略优于手动选择的样本和医生设计的CoT.
结论:
- 通过提议的即时工程策略增强的LLM在肺部疾病预测方面显著优于传统模型.
- 该方法在复杂的医疗环境中表现出更好的准确性,灵活性和适应性,有助于临床决策.
- 这项技术有望促进疾病诊断,特别是在资源有限的环境中.
