大型语言模型在基于MRI脑报告的脑中风病因分类中的作用:一项可行性研究
Jorge Escartín1, Pilar López-Úbeda2, Teodoro Martín-Noguerol3
1Neurorradiología Diagnostica e Intervencionista, HT Médica Ávila, Spain.
Magnetic resonance imaging
|October 7, 2025
概括
使用罗伯塔生物医学模型的自然语言处理 (NLP) 算法准确地从脑MRI报告中分类出缺血性中风类型. 这种自动化方法提高了诊断效率和中风管理策略.
科学领域:
- 神经学 神经学
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 缺血性中风是全球残疾和死亡的主要原因.
- 准确的病因分类对于有效的中风管理至关重要.
- 从放射学报告中手动标记中风类型是具有挑战性和耗时的.
研究的目的:
- 开发和评估一种自然语言处理 (NLP) 算法,用于从脑MRI报告中分类缺血性中风类型.
- 通过自动化分类来提高诊断效率和改善中风管理.
- 为了利用基于变压器的模型来准确地提取脉冲亚型.
主要方法:
- 一个数据集的635个大脑MRI报告被策划和注释为四种缺血性中风类型.
- 评估了四种预训练过的变压器模型:BERT (临床,Beto) 和RoBERTa (临床试验,生物医学).
- 模型的性能根据精度,精度,回忆和F1分数进行了评估,以进行中风亚型分类.
主要成果:
- 罗伯塔生物医学模型表现出最高的性能,达到76.7%的准确性.
- 这种模型显示了具有统计学意义的结果,具有卓越的精度,回忆和F1分数.
- 这些发现表明罗伯塔生物医学模型在分类缺血性中风亚型方面的稳定性.
结论:
- NLP算法显示出从MRI报告中自动化中风分类的巨大潜力.
- 自动分类可以帮助更快,更准确的诊断.
- 这项技术可以简化中风管理策略,改善患者的治疗结果.
