在大语言模型时代,神经放射学中的自动化MRI协议
Lara Noelle Reiner1, Moudather Chelbi2, Leonard Fetscher2
1Department of Neuroradiology, Charité-Universitätsmedizin Berlin, Augustenburger Platz 1, 13353, Berlin, Germany. lara.reiner@charite.de.
La Radiologia medica
|July 11, 2025
概括
大型语言模型 (LLM) 在自动化MRI编程方面表现有前途,实现对比介质管理的放射科医生级准确性. 检索增强生成 (RAG) 在预测MRI序列和对比介质方面显著提高了LLM性能.
科学领域:
- 医疗成像中的人工智能
- 放射学工作流程自动化 工作流程自动化
- 在医疗保健中的自然语言处理.
背景情况:
- 核磁共振成像 (MRI) 记录是放射学中一个关键但耗时的任务.
- 自动化这个过程可以提高效率和一致性.
- 大型语言模型 (LLM) 为自动化复杂的医疗任务提供了潜力.
研究的目的:
- 通过LLMs研究MRI协议的自动化.
- 为了比较开源LLM (LLama 3.1 405B) 和专有LLM (GPT-4o) 的性能.
- 评估检索增强生成 (RAG) 对MRI协议的LLM精度的影响.
主要方法:
- 从2023年开始对100项MRI研究进行了回顾性研究.
- 法律学士的任务是分配MRI协议和对比介质的管理.
- 用RAG和没有RAG来评估性能,并与神经放射科医生的黄金标准和四名放射科医生的选择进行比较.
- 统计分析包括基于代币的对称精度,威尔科克森签名等级测试和麦克纳马测试.
主要成果:
- 在序列和对比介质预测中,RAG显著提高了LLama 3.1和GPT-4o的准确性 (P < .001).
- 与LLama 3.1 (70%) 相比,GPT-4o在MRI序列预测 (81%) 中取得了更高的准确性,与放射科医生 (81%) 相比.
- 两位LLM与RAG在预测对比介质的使用方面都表现出与放射科医生相似的准确性 (LLama 3.1 RAG: 94%,GPT-4o RAG: 92%).
结论:
- 作为MRI协议的决策支持工具,LLM具有显著的潜力.
- RAG集成大大提高了对机构特定协议建议的LLM准确性.
- 法学士的表现,特别是RAG,接近于经验丰富的放射科医生.
