评估罕见黄斑病的多式大型语言模型的临床实用性
Melanie D Tran1,2, Evan Walker3, Ines D Nagel1,3
1Retinal Division, Jacobs Retina Center, Shiley Eye Institute, University of California San Diego, 9415 Campus Point Dr, La Jolla, CA, 92093, USA.
Scientific reports
|December 3, 2025
概括
多模式大语言模型 (MLLMs) 在诊断Pentosan多硫酸盐 (PPS) 黄斑病变方面表现有前途,通过特定提示和人口统计数据提高准确性. 对于临床使用,需要进一步的研究.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 托桑多硫酸盐 (PPS) 黄斑症是一种可以模仿其他视网膜疾病的疾病.
- 准确的区分对于适当的患者管理和治疗至关重要.
- 多模式大语言模型 (MLLMs) 是具有潜在诊断能力的新兴工具.
研究的目的:
- 评估MLLM在识别和区分PPS黄斑病与类似视网膜疾病方面的诊断性能.
- 为了比较MLLM的表现与人类视网膜专家.
- 评估快速设计和人口统计数据对诊断准确性的影响.
主要方法:
- 对63名患者 (126只眼睛) 的临床记录和多模式视网膜成像的回顾性审查.
- 四名MLLM (ChatGPT-4o,克劳德 3.5 索内特,谷歌双子 1.5 Pro,困惑拉玛 3.1 索纳/默认) 和人类视网膜专家响应了提示.
- 性能指标包括准确性,灵敏性和特异性,随着迅速复杂性和数据包含的变化.
主要成果:
- 当提供有限的答案选择时,MLLMs表现出更好的准确性和灵敏性.
- 当所有成像模式同时被提示时,ChatGPT-4o显示出卓越的性能.
- 包括人口统计数据显著提高了MLLM诊断性能,特别是在选择有限的情况下.
- 人类专家绩效趋势反映了MLLM,也随着人口统计数据的改善.
结论:
- MLLMs对视网膜疾病,如PPS黄斑病,具有诊断潜力.
- 快速工程和人口统计数据的整合对于优化MLLM诊断精度至关重要.
- 在MLLM可以在临床上用于视网膜疾病诊断之前,需要进一步的细化和验证.
