使用局部微调BERT模型进行头骨MRI检查的自动化协议建议
Christian Boschenriedter1, Christian Rubbert2, Marius Vach2
1Department of Diagnostic and Interventional Radiology, Medical Faculty and University Hospital Düsseldorf, Heinrich-Heine-University Düsseldorf, Moorenstraße 5, 40225, Düsseldorf, Germany. christian.boschenriedter@med.uni-duesseldorf.de.
Clinical neuroradiology
|August 18, 2025
概括
基于变压器 (BERT) 模型的双向编码器表示可以从转介数据中预测脑磁共振成像 (MRI) 协议. 精细调整本地语言提高了准确性,显示了更快,标准化的放射性协议选择的潜力.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 放射学 放射学是一门学科.
背景情况:
- 选择适当的头骨MRI协议对于准确的诊断和患者护理至关重要.
- 目前的协议选择依赖于放射科医生的专业知识,这可能是耗时和可变的.
- 不适当的协议可能会导致诊断错误和延长扫描时间.
研究的目的:
- 调查基于BERT的语言模型在建议部MRI协议中的有效性.
- 评估不同BERT模型的性能,包括medBERT.de,并对当地语言进行微调.
- 评估AI在简化和标准化放射性协议选择方面的潜力.
主要方法:
- 训练了四个基于BERT的模型 (BERT,ModernBERT,GottBERT,medBERT.de) 在410个匿名的头骨MRI推上.
- 根据诊断,病史和临床问题将转诊分为九个协议类别.
- 微调模型使用本地语言数据集来提高性能.
主要成果:
- 针对当地语言进行微调的medBERT.de模型实现了最高的性能.
- 该模型正确预测了81%的协议,其宏观F1得分为0.71.
- 当地语言微调在所有评估的BERT模型中提高了性能.
结论:
- 基于BERT的语言模型显示出从转诊数据中预测MRI协议的巨大潜力.
- 人工智能驱动的协议选择可以加速和标准化放射学中的临床工作流程.
- 这种方法甚至在有限的培训数据的情况下也提供了好处,提高了效率和准确性.
