放射学研究中的大型语言模型 (LLM):叙事性审查
C Rainey1, A England2, P C Murphy1
1Discipline of Medical Imaging and Radiation Therapy, School of Medicine and Health, University College Cork, Ireland.
Radiography (London, England : 1995)
|November 21, 2025
概括
生成型人工智能 (GenAI) 和大型语言模型 (LLM) 为放射学研究提供了重大机会,加速了从研究设计到传播的过程. 然而,研究人员必须采用"信任但验证"的方法,确保可靠整合的验证和伦理保障.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 计算科学 计算科学
背景情况:
- 人工智能 (AI) 越来越多地融入到放射学研究和实践中.
- 生成型人工智能 (GenAI),特别是大型语言模型 (LLM),在放射学中有新兴的应用.
- 这些应用超越了临床支持的研究方法.
研究的目的:
- 探索将LLM纳入放射学研究的机遇和挑战.
- 审查现场LLM应用的现状.
- 讨论对未来放射学研究和实践的影响.
主要方法:
- 使用了叙事审查方法.
- 确定并综合了相关的出版物.
- 整合了作者主导的例子和案例研究.
主要成果:
- 通过帮助文献检索,调查开发,合成数据生成和数据分析,LLM加速研究.
- 案例研究表明,CT图像质量改善和检查时间缩短等好处.
- 挑战包括输出不准确性 (幻觉),数据偏差,隐私问题,监管障碍和环境成本.
结论:
- GenAI和LLM为放射学研究提供了变革的潜力.
- 整合需要对专家数据进行严格的验证,透明的报告和强大的道德框架.
- "信任但验证"的方法,再加上培训和治理,对于安全有效的实施至关重要.
