微调的大型语言模型用于对CT指导干预放射学报告进行分类.
Koichiro Yasaka1, Naoaki Nishimura1, Takahiro Fukushima1
1Department of Radiology, The University of Tokyo Hospital, Tokyo, Japan.
Acta radiologica (Stockholm, Sweden : 1987)
|June 24, 2025
概括
一个新的大型语言模型准确地分类计算机断层扫描 (CT) 引导的干预放射学报告. 这种人工智能模型在分类程序的速度和准确性方面明显优于人类读者.
科学领域:
- 放射学中的人工智能
- 医疗报告的自然语言处理.
- 干预性放射学工作流程优化工作流程优化
背景情况:
- 放射学报告的手动数据整理是耗时的,并且由于自然语言的复杂性,容易出现错误.
- 自动化计算机断层扫描 (CT) 导向干预放射学报告的分类对于有效的数据管理至关重要.
- 现有的方法需要大量的手工努力,突出需要先进的计算方法.
研究的目的:
- 开发和评估一个微调的大型语言模型 (LLM) 用于分类CT指导的干预放射学报告.
- 将报告分类为特定的技术组:排水,软组织活检,肺活检和骨活检.
- 将LLM的分类性能和效率与人类阅读器进行比较.
主要方法:
- 编制了1505份CT指导干预放射学报告 (2008年8月至2024年11月) 的回顾性数据集.
- 报告被手动分为四类,以建立参考标准.
- 来自变压器的双向编码器表示 (BERT) 模型在训练数据上进行了微调,并使用验证集进行了优化.
主要成果:
- 微调的LLM在独立测试数据集上实现了0.979的高精度.
- 该模型的准确性明显优于两个人类读者 (0.922-0.940,P ≤ 0.012).
- 该LLM分类报告比人类读者快49.8到53.5倍,显示出显著的效率.
结论:
- 一个精心调整的LLM可以准确有效地将CT指导的干预放射学报告分为不同的技术类别.
- 开发的AI模型在准确性和速度上比人类读者手动分类提供了显著的改进.
- 这项技术有可能简化放射学工作流程,并增强干预放射学中的数据分析.
