应用LLMs来分析AI/ML医疗器械批准的情况
Diogo Monteiro do Amaral1, Ying Wang1, Farah Magrabi1
1Australian Institute of Health Innovation, Macquarie University, Australia.
Studies in health technology and informatics
|August 8, 2025
概括
大型语言模型 (LLM) 可以自动化对FDA医疗器械批准的分析,但需要对特定领域进行调整. 解码器LLM高效地提取明确的细节,而编码器模型更好地推断出临床上下文.
科学领域:
- 医疗器械规则 医疗器械规则
- 医疗保健中的人工智能
- 自然语言处理自然语言处理.
背景情况:
- 机器学习 (ML) 在医疗设备中的整合正在增加,由于功能和临床用途不明确,造成了安全问题.
- 对支持ML的设备的FDA批准文件的手动分析耗时且效率低下.
研究的目的:
- 评估使用大型语言模型 (LLM) 来自动化对支持ML的医疗器械FDA批准文件的分析的可行性.
- 评估不同的LLM架构和培训策略,以提取有关设备特征,ML功能和临床应用的关键信息.
主要方法:
- 对108个FDA医疗器械批准的分析.
- 评估各种LLM架构 (解码器与编码器),培训策略,参数大小和计算需求.
- 对提取设备的特点,ML功能和临床用例的输出质量的评估.
主要成果:
- 解码器LLM在提取显式设备细节方面表现出有效性,但在计算上是密集的.
- 编码器模型在从批准文件中推断临床背景方面表现出更高的效率.
- 所有评估的LLM都需要对特定领域进行优化,以精确提取与ML相关的信息.
结论:
- LLM提供了一个有前途的途径,用于自动化对 ML 支持的医疗器械批准的分析.
- 根据架构,LLM的性能有所不同,解码器模型在显式数据提取方面出色,编码器模型在上下文推断方面出色.
- 针对特定领域的微调对于优化LLM至关重要,以便在医疗器械监管文件中准确可靠地提取ML相关信息.
