微调的大型语言模型用于提取治疗前的胰腺癌根据计算机断层扫描放射学报告
Hiroshi Hirakawa1, Koichiro Yasaka2, Takuto Nomura1
1Department of Radiology, Graduate School of Medicine, The University of Tokyo, 7-3-1 Hongo, Bunkyo-Ku, Tokyo, 113-8655, Japan.
Journal of imaging informatics in medicine
|August 15, 2025
概括
一个微调的大型语言模型 (LLM) 从CT放射学报告中准确地提取治疗前的胰腺癌. 它的性能与人类阅读器相当,但速度明显更快.
科学领域:
- 放射学中的人工智能
- 用于医学文本分析的自然语言处理
- 机器学习用于癌症检测
背景情况:
- 从放射学报告中准确识别治疗前的胰腺癌对于及时的患者管理至关重要.
- 计算机断层扫描 (CT) 放射学报告的手动审查是耗时的,容易变化.
- 大型语言模型 (LLM) 显示了自动化医疗文本分析的潜力.
研究的目的:
- 评估精心调整的LLM在从CT放射学报告中提取治疗前胰腺癌信息方面的表现.
- 为了比较LLM的提取精度和效率与人类读者.
主要方法:
- 一项回顾性研究使用了2690,886和378个CT报告,分别用于培训,验证和测试.
- 从变压器日本模型中预先训练的双向编码器表示在CT报告数据集上进行了微调.
- 微调的LLM和三个人类读者将报告分类为"没有胰腺癌"",治疗后"或"预治疗癌症存在"等类别.
主要成果:
- 微调的LLM实现了0.942的整体准确度,与人类读者 (0.984,0.979,0.947) 相比.
- 该LLM在区分所有三种胰腺癌组 (0.944/0.960/0.921) 中表现出高灵敏度.
- 该LLM仅需要49秒的分类时间,比人类读者 (2689-4887秒) 快得多.
结论:
- 精心调整的LLM可以有效地从CT放射学报告中提取治疗前胰腺癌数据.
- 该法学士提供了一个高度准确和显著更高效的替代方案,以人类读者手动审查.
- 这项技术有可能简化放射学工作流程并提高诊断效率.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
