神经象征性AI用于从医疗报告中提取可审计的认知信息

科学领域:

• 人工智能在医学中的应用
• 临床数据提取
• 医疗信息学 医疗信息学

背景情况:

• 像GPT-4这样的大型语言模型 (LLM) 提供免费的文本解释,但在医疗保健应用程序的可靠性,透明度和隐私方面存在局限性.
• 基于规则的AI提供了透明度和可重现性,但与非结构化的临床文本作斗争.
• 需要采用混合方法来利用LLM和基于规则的临床数据提取系统的优势.

研究的目的:

• 开发和评估神经象征性AI系统,从诊断成像报告中自主和可靠地提取临床数据.
• 将LLM的文本解释能力与基于规则的系统的可验证逻辑相结合.
• 评估系统在从前列腺癌PET/CT报告中提取特定临床参数和回答研究问题方面的表现.

主要方法:

• 开发了一个神经符号AI,通过语义集成平台将GPT-4与基于规则的专家系统集成在一起.
• GPT-4从报告中确定了候选事实;专家系统将这些事实与确定性,可追溯标签的医疗规则进行了验证.
• 评估了206份前列腺癌PET/CT报告,提取了26个参数,并针对研究纳入,复发识别和PSA水平进行了比较,与医生参考进行了比较.

主要成果:

• 神经象征性AI在研究纳入和复发检测方面获得了完美的分数 (F1=1.00),PSA准确率为100%,单独优于GPT-4.
• 该系统展示了一个可审计的推理链,并与医生的表现相匹配.
• 人工智能成功拦截了带有剩余标识符的报告,防止意外传输敏感数据,突出其安全功能.

结论:

• 神经象征性AI为自动化从成像报告中提取临床数据提供了一个值得信赖的解决方案,超过了独立的LLMs.
• 这种混合方法为在临床研究和医疗保健实践中安全可靠的AI实施提供了可行的途径.
• 该系统的可审计推理和隐私保护能力解决了当前医学AI的关键局限性.