在隐私限制下,使用本地部署的大型语言模型进行符合BI-RADS的结构化乳房造影报告
Wenjun Sheng1,2, Yudong Wang2, Lianxiang Xiao3
1School of Physics and Electronic Engineering, Linyi University, Linyi, China.
European radiology
|November 19, 2025
概括
这项研究引入了一种保护隐私的方法,用于使用微调的开源大语言模型 (LLM) 构建乳房造影报告. 开发的方法实现了高精度和结构完整性,为医疗机构提供了实用,可在当地部署的解决方案.
科学领域:
- 医疗成像中的人工智能
- 医疗保健数据的自然语言处理.
- 医疗信息学和数据结构数据结构
背景情况:
- 自由文本乳房造影报告在标准化和结构化数据提取方面存在挑战.
- 现有的结构化报告解决方案可能会损害数据隐私,适应性或带来高成本.
- 需要保护隐私,适应性和成本效益的方法来分析乳房镜报告.
研究的目的:
- 开发和评估一种维护隐私的方法,用于构建非结构化的自由文本乳房造影报告.
- 微调一个开源的大型语言模型 (LLM) 以获得准确可靠的数据提取.
- 评估开发的基于LLM的系统的性能和结构完整性.
主要方法:
- 一项多中心研究涉及7161份非结构化乳房造影报告.
- 使用商业模型 (Qwen-Max) 的伪标签对开源Llama-3模型进行监督微调.
- 使用精度,回忆和F1分数评估23个特征;通过JSON格式准确度 (JFA) 和现场完整性准确度 (FIA) 评估结构完整性.
主要成果:
- 精心调整的Llama-3模型实现了高性能 (F1得分:0.932) 和完整的结构完整性 (FIA:1.000).
- 该模型在准确性和结构完整性方面比基准模型显著提高.
- 虽然略低于商业模型,但微调模型显示了统计学上显著的表现,特别是在特定的类别.
结论:
- 开发的方法有效地使用本地微调的开源LLM结构化乳房造影报告,增强隐私和本地部署能力.
- 该系统为医疗机构提供了一个实用,准确和合规的解决方案,改善数据质量和AI集成.
- 这种方法解决了现有解决方案的局限性,提供了一个标准化的,保护隐私的,适应性强的哺乳镜报告工具.
