相关实验视频
Updated: Jul 23, 2026
08:22
Permanent Cerebral Vessel Occlusion via Double Ligature and Transection
Published on: July 21, 2013
15.5K
自然语言处理用于对大脑大血管阻塞的分类
João Brainer Clares de Andrade1,2,3,4, José Marcio Duarte1, Thales Pardini Fagundes5
1Universidade Federal de São Paulo, Departamento de Informática em Saúde, São Paulo SP, Brazil.
Arquivos de neuro-psiquiatria
|December 2, 2025
概括
大型语言模型可以从临床笔记中检测出缺血性中风中的大血管封闭 (LVO). 这种人工智能方法有助于快速诊断和治疗teleneurology.
科学领域:
- 人工智能在医学中的应用
- 神经学 神经学
- 医疗信息学 医疗信息学
背景情况:
- 缺血性中风中的大血管封闭 (LVO) 需要快速识别才能进行有效的治疗.
- 目前对LVO的查工具可能耗时,需要专门的神经学技能.
- 电脑神经病学服务可以从自动化LVO检测中获益,以改善患者分拣.
研究的目的:
- 用自由文本临床摘要来评估大语言模型 (LLM) 在检测LVO方面的有效性.
- 为了评估LLM的表现,使用和不使用国家卫生研究院中风量表 (NIHSS) 数据.
- 探索自然语言处理 (NLP) 和机器学习 (ML) 在远程冲击系统中的整合.
主要方法:
- 从国家电脑神经神经网络中对2887例疑似中风病例进行了回顾性分析.
- 神经学家撰写的病例摘要使用NLP技术和监督的ML分类来处理.
- 语境LLM (BERTimbau,BioBERTpt,GPorTuguese-2) 用五个算法进行了评估,使用Bootstrap方法对类不平衡进行了评估.
主要成果:
- 与AdaBoost配对的BioBERT在LVO检测中获得了最高的准确度 (89.82%),精度 (98.37%) 和AUC (89.86%).
- 包括NIHSS数据在内,在使用特定的ML模型时,提高了回忆 (87.60%) 和F1得分 (89.05%).
- 无论NIHSS数据是否包含,BioBERT在所有模型中都表现出卓越的性能.
结论:
- 基于LLM的模型显示出从常规临床叙述中识别LVO的巨大潜力.
- 这些发现支持将NLP和ML集成到远程冲击平台中,以更快地检测LVO.
- 对多种多语言数据集进行进一步验证是必要的,以确保广泛的临床适用性.
