探索ChatGPT-4o在使用多模态超声成像诊断甲状腺结节中的潜力:双模态与三模态方法
Ziman Chen1, Nonhlanhla Chambara2, Shirley Yuk Wah Liu3
1Department of Health Technology and Informatics, The Hong Kong Polytechnic University, 11 Yuk Choi Rd., Hung Hom, Kowloon, Hong Kong.
Cancers
|July 12, 2025
概括
像ChatGPT-4o这样的大型语言模型显示了使用超声波分析甲状腺结节的潜力. 双模态方法 (灰度和彩色多普勒) 的表现优于三模态方法,这表明将多种数据类型集成为准确诊断具有挑战.
科学领域:
- 医疗成像中的人工智能
- 诊断超声波技术 诊断超声波技术
- 机器学习用于医疗保健
背景情况:
- 大型语言模型 (LLM) 的进步为分析复杂的多模式医疗数据提供了新的途径.
- 甲状腺结节的分类仍然是一个关键的诊断挑战,需要改进的分析工具.
- 多模式超声波成像,包括灰度,颜色多普勒和剪切波弹性成像,为结节评估提供了全面的数据.
研究的目的:
- 评估ChatGPT-4o在区分良性与恶性甲状腺结节中的疗效.
- 为了比较ChatGPT-4o的诊断性能,使用双模态 (灰度,CDUS) 和三模态 (灰度,CDUS,SWE) 的超声数据.
- 评估ChatGPT-4o的分类与病理诊断的一致性.
主要方法:
- 对106个确诊病理诊断的甲状腺结节进行了回顾性分析.
- 应用ChatGPT-4o以通过双和三种模式的策略分析多模式超声波数据.
- 使用接收器操作特征 (ROC) 曲线分析和科恩的卡帕与病理学一致的诊断性能评估.
主要成果:
- 双模式方法 (灰度尺度+CDUS) 产生曲线下的面积 (AUC) 为66.3%,灵敏度为70.3%,特异性为62.3%.
- 三种模式的方法 (灰度 + CDUS + SWE) 显示出更高的特异性 (97.1%),但敏感性显著降低 (18.9%),AUC为58.0%.
- 科恩的卡帕表示对双模态方法的同意程度中等 (0.298),对三模态方法的同意程度较低 (0.194).
结论:
- 聊天GPT-4o证明了使用多模式超声波对甲状腺结节进行分类的初步潜力.
- 双模态方法出乎意料地胜过了三模态方法,这表明LLM集成挑战与不同的数据输入.
- 需要进一步的研究来优化LLM算法,以便在甲状腺结节诊断中有效地整合和优先考虑多模式成像数据.
