视觉语言的人工智能系统用于膝盖放射诊断和解释:与人类合作的系统
Xingxin He1,2, Zachary E Stewart2, Nikitha Crasta3
1Athinoula A. Martinos Center for Biomedical Imaging, Harvard Medical School, Boston, MA 02129, United States.
Radiology advances
|October 8, 2025
概括
放射学生成预训练变压器 (RadGPT) 通过将人工智能与人类专业知识相结合,增强了膝盖放射图解. 这种人工智能工具显示出在医疗成像中提高诊断准确性和临床报告一致性的巨大潜力.
科学领域:
- 医疗成像中的人工智能
- 放射学 放射学是一门学科.
- 机器学习用于诊断.
背景情况:
- 大型语言模型 (LLM) 在基于文本的临床任务中表现有希望,但不能像膝盖放射图像那样解释医疗图像.
- 当前的人工智能工具缺乏直接医学图像解释的固有能力,需要新的方法.
研究的目的:
- 开发一种交互式诊断方法,放射学生成预训练变压器 (RadGPT),用于膝盖放射图像解释.
- 为了协助和协同人类用户在诊断膝盖疾病从放射图像.
主要方法:
- 使用了22512个膝盖X光学图和来自马萨诸塞州总医院的报告 (80%的培训,10%的测试/验证).
- 选择了15个高频率,临床相关的诊断特征 (例如,骨关节炎,溢出) 用于图像标签.
- 采用了像双语评估研究 (BLEU) 和回忆导向评估评估 (ROUGE) 等指标来评估诊断性能和文本生成质量.
主要成果:
- 在15个诊断类别中,RadGPT实现了曲线下的面积 (AUC) 分数从0.76 (骨髓缩) 到0.91 (关节塑造).
- 在BLEU (0.18),ROUGE-L (0.30),METEOR (0.10) 和SCPS (0.15) 分数中表现出明显高于基线LLM方法的性能.
- 具有良好的语言重叠和与参考报告的临床一致性.
结论:
- RadGPT在膝盖放射图像特征识别方面显示了先进的功能,突出显示了LLM在医学图像解释方面的潜力.
- 该研究提供了一个培训协议,用于开发人工智能辅助工具,用于膝盖放射图像诊断和解释.
- 这种人 - 人工智能交互式方法意味着在增强放射性诊断工作流程方面迈出了一步.