放射学中的大型语言模型和大型概念模型:当前的挑战,未来的方向和关键的观点
Suleman A Merchant1, Neesha Merchant2, Shaju L Varghese3
1Department of Radiology, LTM Medical College and LTM General Hospital, Mumbai 400022, Maharashtra, India. suleman.a.merchant@gmail.com.
World journal of radiology
|December 8, 2025
概括
大型语言模型 (LLM) 在放射学AI中表现有前途,但存在局限性. 大型概念模型 (LCM) 为医疗AI中先进的推理和临床决策提供了一个新的范式.
科学领域:
- 医疗成像中的人工智能
- 放射学 人工智能进步
- 大型语言模型和概念模型.
背景情况:
- 大型语言模型 (LLM) 正在通过报告生成和决策支持中的应用来改变放射学AI.
- 由于代币级处理,当前的LLM在抽象推理和上下文理解方面面临限制.
- 挑战包括现有的放射学AI模型的可靠性,偏见和可解释性.
研究的目的:
- 为了提供当前的LLM应用和放射学方面的局限性的概述.
- 引入大型概念模型 (LCM) 作为放射学新型人工智能范式.
- 根据之前基于概念的模型,为LCMs提出理论框架.
主要方法:
- 在放射学LLM应用的全面审查.
- 介绍LCMs的原则和理论框架.
- 在医疗AI中开发LCM的新理论框架.
主要成果:
- 法律法规提供了重要的功能,但受到复杂推理的顺序处理的限制.
- 简单语义模型利用概念表示和多模式数据来增强语义推理.
- 为LCMs提出了一个新的理论框架,扩展了基础基于概念的模型.
结论:
- LCMs代表了一个有前途的范式转变,超越LLMs,用于放射学中先进的AI.
- 拟议的LCM框架旨在实现医学AI中类似人类的概念理解.
- 未来的LCM研究对放射学实践和人工智能开发具有变革潜力.


