相关实验视频
Updated: May 9, 2026

09:01
Minimally Invasive Endoscopic Intracerebral Hemorrhage Evacuation
Published on: October 15, 2021
7.8K
数字化英语CT解释为积极的出血评估报告:DECIPHER研究报告
Ben Bloom1,2, Adrian Haimovich3, Jason Pott4,5
1Emergency Department, Royal London Hospital, Barts Health NHS Trust, London, UK ben.bloom@nhs.net.
BMJ health & care informatics
|July 25, 2025
概括
一个新的大型语言模型,DECIPHER-LLM,从头部CT报告中准确识别创伤性内出血 (ICB+),显著减少手动审查工作量,同时保持100%的灵敏度.
科学领域:
- 医学成像分析分析 医学成像分析
- 放射学中的人工智能
- 医疗保健中的自然语言处理.
背景情况:
- 从头部CT扫描中识别创伤性内出血 (ICB+) 对患者护理和研究至关重要.
- 手动审查非结构化的自由文本CT报告是耗时且低效的.
- 现有的AI分类方法并没有针对急救部门的需求进行优化.
研究的目的:
- 评估在头部CT报告中识别ICB+的三种方法的诊断分类性能:文本分类 (TC),商业NLP (Clinithink) 和大型语言模型 (DECIPHER-LLM).
- 为了确定DECIPHER-LLM是否可以显著减少CT报告审查工作量,同时保持100%的灵敏度.
主要方法:
- 手动标记的898个匿名头部CT报告显示ICB+的存在或不存在.
- 训练有素的TC和NLP模型使用随机训练和验证集.
- 开发了提示程序来训练DECIPHER-LLM进行分类.
主要成果:
- 在ICB+检测中,DECIPHER-LLM实现了100%的灵敏度和97.4%的特异性.
- TC获得了87.9%的灵敏度和98.2%的特异性;Clinithink获得了75.9%的灵敏度和96.2%的特异性.
- 使用具有10%概率值的DECIPHER-LLM,手动审查减少了85.7%,同时保持了100%的灵敏度.
结论:
- 与其他用于识别ICB+的自由文本分类方法相比,DECIPHER-LLM表现出更高的性能.
- 在紧急情况下,LLM方法为高效准确分析头部CT报告提供了一个有前途的解决方案.

