培训语言模型用于估计超声波检查优先级等待列表:算法开发和验证
Kanato Masayoshi1, Masahiro Hashimoto1, Naoki Toda1
1Department of Radiology, School of Medicine, Keio University, 35 Shinanomachi, Shinjuku-ku, Tokyo 160-8582, Tokyo, Japan, 81 3-3353-1211 ext 62477.
JMIR AI
|July 22, 2025
概括
人工智能语言模型可以准确地估计医疗检查请求优先级,匹配人类放射科医生的表现. 这证明了AI.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 自然语言处理自然语言处理.
背景情况:
- 超声波检查是必不可少的,但面临着可用性限制,需要医院预订和等候名单系统.
- 当前的等待列表系统往往缺乏自动优先级,需要手动审查自由形式的文本请求.
- 这种手动过程耗时,并且可能是患者护理中的瓶.
研究的目的:
- 调查使用AI语言模型来优先考虑医疗检查请求的可行性.
- 评估各种语言模型在处理日本医学文本中的性能,以进行优先估计.
- 确定应用人工智能的挑战,以优先考虑临床工作流程.
主要方法:
- 来自凯奥大学医院 (2020年1月-2023年3月) 的2,335次超声波检查请求的回顾性收集.
- 使用两种方法对四个语言模型 (JMedRoBERTa,Luke,OpenCalm,LLaMA2) 进行微调:最终层调和全层调.
- 使用肯德尔系数对模型性能进行评估,与放射科医生重新评估进行比较.
主要成果:
- 只有最后一层调整时,JMedRoBERTa 获得了最高的性能 (肯达尔系数=0.225).
- 在完全微调的情况下,JMedRoBERTa仍然优越 (肯德尔系数=0.254),超过其他模型和放射科医生重新评估 (肯德尔系数=0.221).
- 结果表明,通用模型成功地适应了日本专门的医学文本.
结论:
- 人工智能语言模型可以有效地估计医疗检查请求优先级,其准确性与人类放射科医生相美.
- 微调使通用AI模型能够处理特定领域的医学文本,显示出临床应用的前景.
- 未来的工作应该解决等级模糊性,多机构数据,并探索先进的语言模型.
