使用大型语言模型和视觉转换器对脆弱的内动脉样硬化斑块进行人工智能驱动的诊断:一项多中心研究

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的人工智能
• 神经学和神经外科的神经外科

背景情况:

• 高分辨率血管壁成像 (HR-VWI) 对于识别脆弱的内动脉样硬化斑块至关重要.
• 解释HR-VWI需要专门的专业知识,这对经验较少的临床医生来说是一个挑战.
• 开发高效的AI驱动的诊断工具对于改善患者的治疗结果至关重要.

研究的目的:

• 研究大型语言模型 (LLM) 和深度学习 (DL) 的整合,以加强脆弱的内斑块的诊断.
• 与人类解释相比,评估人工智能模型的诊断性能和效率.
• 评估人工智能协助对初级医生的诊断能力的影响.

主要方法:

• 对症状性内动脉缩狭窄症患者的HR-VWI报告进行了回顾性分析.
• 这些LLM (ChatGPT-4o,DeepSeek-V3,Moonshot AI) 经过训练,可以从HR-VWI报告中提取诊断见解.
• 使用包括ResNet50和Vision Transformer (ViT) 在内的深度学习模型来分类斑块漏洞.

主要成果:

• 分析包括来自726名患者的1806个斑块;ChatGPT-4o显示了最高的LLM性能 (AUC:0.874).
• 视觉变压器 (ViT) DL模型的表现优于ResNet50 (AUC:0.913对比0.845).
• 整合LLMs和ViT显著提高了初级医生的诊断准确度,并减少了斑块评估时间 (301s到174s,p<0.05).

结论:

• 结合LLM和DL模型的使用,大大提高了诊断性能和有效识别脆弱的内斑块的效率.
• 这种人工智能辅助的方法使初级医生能够实现接近专家的诊断准确性.
• 这些发现表明,通过提高诊断速度和准确性,有可能减轻医疗保健系统的负担,特别是在资源有限的环境中.