从胸部CT中预测肺腺癌的入侵性,使用少数镜头视觉语言三级分类模型
Nan Xu1, Qianqian He1, Lu Wang1,2
1School of Health Management, China Medical University, Shenyang, Liaoning, China.
NPJ digital medicine
|December 20, 2025
概括
像GPT-4o这样的视觉语言模型可以帮助放射科医生在CT扫描上预测纯地面玻璃结节 (pGGNs) 中的肺腺癌侵入性. 这种人工智能辅助显著提高了诊断准确度,有助于更好地管理患者.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 在CT扫描上在纯地玻璃结节 (pGGNs) 中区分侵袭前和侵袭性肺腺癌是临床上具有挑战性的.
- 准确的手术前评估对于指导治疗策略和改善患者结果至关重要.
研究的目的:
- 评估视觉语言模型的有效性,特别是GPT-4o,在非侵入性预测pGGNs的侵入性方面.
- 评估GPT-4o与现有方法相比的性能及其对放射科医生的诊断准确性的影响.
主要方法:
- 一项回顾性多中心研究包括848名病理确诊的肺腺癌患者,这些患者呈现为pGGNs.
- 与Molmo相比,GPT-4o被用来定位pGGNs,识别侵袭性相关特征,并生成诊断预测.
- 在GPT-4o中采用了二十次学习方法.
主要成果:
- 20次射击的GPT-4o模型在pGGN侵入性三元分类中取得了优异的性能 (P < 0.01).
- 放射学家的评估表明GPT-4o输出具有很高的可靠性和可用性,没有关于危害或内容的重大担忧.
- 在放射科医生中,GPT-4o的协助导致了对PGGN侵入性的诊断准确度的平均改善.
结论:
- 二十次射击的GPT-4o模型显示了预测肺腺癌中的pGGN侵入性的显著诊断能力.
- 使用GPT-4o的AI辅助放射学可以提高诊断准确度,为肺结节的术前评估提供了宝贵的工具.
