在诊断心膜炎时使用ChatGPT和DeepSeek大型语言模型进行比较
Aman Goyal1, Samia Aziz Sulaiman2, Abdallah Alaarag2
1Department of Internal Medicine, Cleveland Clinic Foundation, Cleveland, OH 44195, United States.
大型语言模型 (LLM) 在帮助心周炎诊断方面表现有前途. 在病例报告中,ChatGPT在识别心膜炎方面表现出比DeepThink-R1更高的准确性,这表明了临床决策支持的潜力.
科学领域:
- 人工智能在医学中的应用
- 临床决策支持系统 临床决策支持系统
- 在医疗保健中的自然语言处理.
背景情况:
- 大型语言模型 (LLM) 越来越多地被整合到医疗保健中用于数据处理和响应生成.
- 在医学诊断方面,LLM已经有了先前的应用,包括口腔病变评估.
- 围心炎的诊断具有挑战性,错误诊断率高,需要早期识别和风险分层的工具来预防并发症.
研究的目的:
- 评估和比较大型语言模型 (LLM) 的诊断准确性,以协助心周炎诊断.
- 评估LLM作为急性心周炎风险分层工具的实用性.
主要方法:
- 进行了系统的PubMed搜索"心周炎"病例报告.
- 包括18岁或以上患者急性心膜炎的英语病例报告.
- 评估了ChatGPT和DeepThink-R1的诊断能力,包括它们在前三大差异诊断中,并作为唯一的临时诊断.
主要成果:
- 在220项研究中,16份病例报告符合纳入标准.
- 在62.5%的差异诊断和50.0%的临时诊断中,ChatGPT正确识别了心膜炎.
- DeepThink-R1在50.0%的差异诊断和37.5%的临时诊断中发现心膜炎,ChatGPT显示出更高的准确性.
结论:
- 在此研究中,LLM在协助心膜炎诊断方面显示出潜力,ChatGPT在该研究中表现优于DeepThink-R1.
- 需要使用更大的数据集和精细的提示工程进行进一步的研究,以提高诊断准确度,特别是在非典型心膜炎病例中.
更多相关视频
06:22Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections
Published on: September 19, 2025
08:56Sterile Pericarditis in Aachener Minipigs As a Model for Atrial Myopathy and Atrial Fibrillation
Published on: September 24, 2021
相关概念视频
Pericarditis II: Clinical Features and Diagnostic Tests
Pericarditis I: Introduction
Rheumatic Heart Disease II: Clinical Manifestations and Diagnostic Studies
Myocarditis II: Clinical Features and Diagnostic Tests
Pericarditis III: Medical Management
Myasthenia Gravis: Diagnostic Tests
The edrophonium test is a diagnostic tool for myasthenia gravis. It involves...
