使用大型语言模型来自动总结CT模拟订单在放射性瘤学中的总结
Meiyun Cao1, Shaw Hu2, Jason Sharp1
1Department of Radiation Oncology, Mayo Clinic Hospital, Phoenix, Arizona, USA.
Journal of applied clinical medical physics
|October 27, 2025
概括
大型语言模型 (LLM) 可以自动化对放射性瘤学中的计算机断层扫描 (CT) 模拟订单的总结. 这种人工智能驱动的方法提高了效率和准确性,减少了治疗师的工作量并改善了工作流.
科学领域:
- 辐射瘤学 辐射瘤学
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 放射性瘤治疗师手动总结计算机断层扫描 (CT) 模拟订单.
- 手动总结增加了工作量,引入了可变性,并且容易出现人为错误.
研究的目的:
- 为了解决手动CT模拟订单总结方面的挑战.
- 使用大语言模型 (LLM) 自动生成摘要.
- 为了评估LLM对此任务的表现.
主要方法:
- 从Aria数据库中收集了607个CT模拟订单.
- 通过API使用LLaMa 3.1 405B模型进行关键字提取和摘要生成.
- 与治疗师合作开发了定制提示,并与基础真相对准验证了摘要.
主要成果:
- 与地面真相相比,LLM生成的摘要达到98%以上的准确性.
- 在格式上表现出更好的一致性和更好的可读性.
- 在各种治疗方式和疾病部位上表现一致.
结论:
- LLM,特别是LLaMa 3.1 405B,准确而一致地总结了CT模拟订单.
- LLM显示出有很大的潜力来帮助治疗师,减少工作量,并提高辐射瘤学工作流程的效率.


