RadCLARE:一种自动化的临床语言引擎,用于检测放射学报告中的语义错误
Feng Pan1,2,3, Jie Lou1,2,3, Yusheng Guo1,2,3
1Department of Radiology, Union Hospital, Tongji Medical College, Huazhong University of Science and Technology, Wuhan, China.
European radiology experimental
|December 22, 2025
概括
放射学报告中的错误可以使用人工智能来减少. 基于BERT的RadCLARE系统显著减少了中国放射学报告中的语义错误,从4.19%降至0.85%.
科学领域:
- 医疗成像中的人工智能
- 在医疗保健中的自然语言处理.
- 放射学报告 分析 分析
背景情况:
- 放射学报告中的错误可能导致错误的临床决定.
- 需要自动化系统来提高放射学报告的准确性.
- 调查大型语言模型 (LLM) 减轻这些错误的潜力至关重要.
研究的目的:
- 开发和评估一个自动化引擎,RadCLARE,用于检测中国放射学报告中的语义错误.
- 评估RadCLARE对放射学报告总体错误率的影响.
- 为了衡量放射科医生对实施的系统的满意度.
主要方法:
- 开发了基于BERT的引擎RadCLARE,该引擎使用140万份中国放射学报告 (DR,CT,MR) 进行训练.
- 利用专家手册对1000份报告的注释来建立一个参考标准.
- 将RadCLARE的性能与专家注释进行比较,并分析实施前后错误率的变化.
主要成果:
- 在检测语义错误方面,RadCLARE实现了高性能:准确率为87.3%,精度为88.3%,回忆率为86.4%,F1得分为87.4%.
- 放射学报告中的语义错误率从基线数据集中的4.19%显著下降到RadCLARE实施后的0.85% (p < 0.001).
- 95.7%的参与放射科医生对RadCLARE系统表示满意.
结论:
- RadCLARE网络有效地检测到放射学报告中的语义错误,准确度很高.
- 实施RadCLARE导致语义错误率大幅降低.
- 该系统有望改善放射学报告的质量并减少临床决策错误.
