放射学工作流程中的大型语言模型:在德国医疗保健系统中对非视觉任务的生成人工智能的探索性研究
Stefanie Steinhauser1, Sabrina Welsch2
1Professor of Health Economy and Entrepreneurship, Technical University of Applied Sciences Amberg-Weiden, 92637 Weiden, Germany.
Health policy (Amsterdam, Netherlands)
|September 19, 2025
概括
大型语言模型 (LLM) 可以简化放射学任务,但实施面临障碍. 解决监管,基础设施和认识障碍是利用LLMs提高效率和患者护理的关键.
科学领域:
- 人工智能在医学中的应用
- 放射学工作流的优化 工作流的优化
- 自然语言处理应用程序
背景情况:
- 大型语言模型 (LLM) 为放射学不断增加的工作量和人员短缺提供了潜在的解决方案.
- 放射科医生的有限知识和对实践和道德实施的担忧带来了挑战.
- 了解这些观点对于成功地将AI整合到医疗保健中至关重要.
研究的目的:
- 调查放射科医生对在实践中使用LLM的好处和挑战的看法.
- 探索LLMs对放射学工作流程和专业角色的感知影响.
- 为了确定在放射学LLM采用障碍和促进者.
主要方法:
- 采用了一种探索性定性研究设计.
- 与12名放射学专家进行了半结构面试.
- 使用专题分析来评估LLMs的认识,态度和感知应用.
主要成果:
- 通过任务自动化 (例如,历史总结,报告生成) 来减少工作负载,LLMs显示出希望.
- 放射科医生对LLM开放,但担心人类互动,道德和责任.
- 预期的角色演变包括向数据管理和协作转变,而这些障碍包括有限的认识和基础设施.
结论:
- 在放射学LLM整合受到监管问题,过时的基础设施和低意识的阻碍.
- 必须制定明确的关于责任和道德的规定,以及基础设施投资和培训.
- 克服这些障碍将使LLMs能够提高效率和患者护理,同时保持放射科医生的核心作用.
