层层地:评估人工智能诊断准确性与神经放射学中的增量病例信息

科学领域:

• 神经辐射学神经辐射学
• 人工智能的人工智能

背景情况:

• 人工智能 (AI) 在提高放射学诊断准确性和效率方面表现有前途.
• 大型语言模型 (LLM) 正在成为医学图像解释的工具.

研究的目的:

• 在具有挑战性的神经放射病例中评估谷歌双子座 (1.5版本闪光) 的诊断性能.
• 评估AI在不同解剖区域 (大脑,头,脊柱) 的准确性,并使用增量数据.

主要方法:

• 来自美国神经放射学杂志"本月病例"系列的143个神经放射病例的分析.
• 谷歌双子被提示诊断不同程度信息 (历史,增量成像) 的病例.
• 在每个数据阶段和根据专业测量了诊断准确性.

主要成果:

• 双子座的精度从3.5% (仅仅是历史) 增加到45.7% (完整的成像).
• 在脊柱病例 (51.9%) 中观察到最高的准确性,其次是头部和部 (45.5%) 和大脑 (44.0%).
• 随着时间的推移,绩效的改善是统计学上显著的 (p < 0.0000000001).

结论:

• 谷歌双子在神经放射学中显示了中等的诊断准确性,这与更全面的数据有所改善.
• 这些发现凸显出需要在临床整合之前对人工智能工具进行持续验证和透明化.
• 这项研究强调了人工智能在神经放射学中日益增长的作用和严格评估的必要性.