整形外科的大型语言模型:探索性研究趋势分析和机器学习分类
Ausberto Velasquez Garcia1,2, Masataka Minami1,3, Manuel Mejia-Rodríguez4
1Department of Orthopedic Surgery, Mayo Clinic, Rochester, MN, USA.
Journal of orthopaedics
|September 22, 2025
概括
大型语言模型 (LLM) 正在迅速推进骨科研究,机器学习分类器准确地分类出版物. 预计未来的增长,特别是在患者教育和研究伦理方面.
科学领域:
- 整形外科的研究研究.
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 大型语言模型 (LLM) 显示了彻底改变骨科实践的巨大潜力.
- 越来越多的研究突出了LLM在骨科的应用.
- 本研究探讨了研究趋势,并验证了用于骨科LLM出版物的机器学习分类器.
研究的目的:
- 分析骨科大语言模型 (LLM) 的研究趋势.
- 为了验证机器学习分类器用于将骨科LLM出版物分类到预定义的领域.
- 预测骨科LLM研究的未来增长趋势.
主要方法:
- 用关键字的同时出现和主题聚类对140个Scopus索引出版物 (2019-2024) 的图书统计分析.
- 将文章分类为五个领域:患者教育,研究和伦理,外科医生教育,临床支持和诊断和放射学解释.
- 在TF-IDF矢量化文本上训练的机器学习分类器 (SVM),使用精度,回忆,F1分数和AUC-ROC进行评估.
主要成果:
- 士学位出版物从2023年的28个升到2024年的108个.
- SVM模型实现了82%的准确性 (AUC-ROC:0.97),在临床辅助方面具有高精度,在诊断方面具有强烈的回忆力.
- 患者教育显示出平衡的表现 (88%的精度,78%的回忆),但术语重叠导致了错误分类.
结论:
- 法律学士学位在患者参与和外科医生培训方面提供了进步,但需要对可靠性和伦理学给予密切关注.
- 经过验证的SVM分类器是导航不断扩大的骨科LLM文献的宝贵工具.
- 未来的研究应该专注于现实世界的验证和整合多式联网人工智能系统.

