大型语言模型在尿动力学参数的自动解释中的应用

科学领域:

• 泌尿器科 泌尿器科 泌尿器科 泌尿器科
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 泌尿动力学研究 (UDS) 在泌尿病学中至关重要,但需要专业知识,并面临观察者之间的变化.
• 大型语言模型 (LLM) 在医学诊断中显示出潜力,但它们在UDS解释中的使用尚未被探索.

研究的目的:

• 评估LLM在解释尿动力学参数方面的诊断性能.
• 将LLM绩效与不同经验水平的泌尿科医生进行比较.

主要方法:

• 使用Deepseek-R1和GPT-4LLMs进行的320个尿动力学研究的分析.
• 与初级和高级泌尿科医生 LLM 诊断准确性的比较.
• 使用ROC曲线,AUC,诊断准确度和QUEST框架进行评估,遵循TRIPOD+AI指南.

主要成果:

• 迪普西克-R1获得了92.50%的准确性,超过GPT-4 (85.94%) 和初级泌尿科医生 (83.75%),接近高级泌尿科医生 (95.94%).
• Deepseek-R1在QUEST框架标准中表现出色,并显示出高临床实用性,特别是在决策支持和教育价值方面.
• ROC分析证实了Deepseek-R1 (AUC 0.89-0.92) 和GPT-4 (AUC 0.84-0.88) 的强表现.

结论:

• LLM,特别是Deepseek-R1,显示出自动化泌尿动力学参数解释的巨大潜力.
• 这些人工智能工具可以增强临床决策支持,培训和尿动力学质量保证.
• 法学士申请可以提高诊断的一致性和获得泌尿病学专家级解读.