基于使用大型语言模型的MRI报告,预测成年类型扩散性质瘤的分子类型

科学领域:

• 人工智能在医学中的应用
• 神经瘤学神经瘤学
• 放射学 信息学 信息学

背景情况:

• 准确的成年类型扩散性质瘤的分子亚型确定对于治疗和预后至关重要.
• 2021年世界卫生组织 (WHO) 的分类依赖于分子标记,通常是从成像中推断出来的.
• 大型语言模型 (LLM) 在分析临床文本方面显示出潜力,但它们在质瘤亚型化方面的表现需要评估.

研究的目的:

• 用MRI放射学报告来评估各种LLM在预测质瘤分子类型中的有效性.
• 为了比较基于知识的提示与基于LLM的质瘤分类的天真提示的性能.
• 调查放射科医生分专业化对LLM绩效的影响,并报告质量.

主要方法:

• 对来自多家亚洲和欧洲医院的2,169例成年型扩散质瘤病例进行了回顾性分析.
• 使用MRI放射学报告对7名LLM (GPT-4o-mini,GPT-4.1-mini,Llama 3.1 8B/70B,Qwen2.5 7B,Deepseek-r1 8B,Mistral 7B) 进行了评估. 这是一份使用MRI放射学报告的研究报告.
• 将LLM准确度与基于知识的提示与天真提示进行比较,并评估神经瘤学子专业化和报告质量等因素.

主要成果:

• 与天真提示相比,基于知识的提示通常提高了LLM准确性,在GPT-4o-mini和Qwen2.5 7B.等模型中取得了显著的收益.
• 较大的LLM表现出更好的准确性,并且不受提示的类型的影响.
• 通过神经瘤学专家的报告和所有评估模型的高质量描述性报告,LLM的表现得到了显著提高.

结论:

• 从MRI报告中,LLM可以帮助预测术前分子瘤类型的成人类型的扩散性质瘤.
• 将相关的领域知识纳入提示符可以优化LLM对质瘤分类的性能.
• 放射学报告的质量和描述性,以及放射科医生的专业知识,是最大限度地提高神经瘤学LLM实用性的关键因素.