在CT成像上使用大型语言模型检测内出血和亚型分类
Nitin Chetla1, Shivam Patel2, Rahul Kumar3
1School of Medicine, University of Virginia School of Medicine, Charlottesville, USA.
Cureus
|December 30, 2025
概括
大型语言模型 (LLM) 在CT扫描上检测内出血 (ICH) 和其亚型的准确性有限. 为了临床使用,需要进一步的研究和特定领域的微调.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 在CT扫描上精确检测内出血 (ICH) 对患者治疗至关重要.
- 卷积神经网络 (CNN) 在ICH检测方面表现出色,但直接医学图像解释的大型语言模型 (LLM) 尚未得到充分探索.
研究的目的:
- 评估一个通用多式联运LLM在检测ICH和从CT扫描分类其亚型的能力.
- 评估LLM在直接医学图像解释任务中的表现.
主要方法:
- 在PhysioNet ICH数据集上测试了一种多模式的LLM,用于二进制ICH检测和多类子类型分类.
- 轴心CT切片被预处理,分组成复合图像,并为LLM输入编码.
- 使用精度,精度,回忆,F1得分,精确匹配精度和哈明分数来衡量性能.
主要成果:
- 在二进制ICH检测中,LLM实现了0.52准确度,在阳性病例中,回忆率低 (0.14).
- 亚型分类的表现不一致,内出血具有最高的F1评分 (0.57).
- 准确匹配精度为0.06,哈明分数为0.54,表明预测能力有限.
结论:
- 在零射击设置中,LLM对ICH检测和不一致的亚型分类的敏感性有限.
- 目前的LLM需要针对特定领域的微调,更大的数据集,以及与计算机视觉方法集成的临床部署.
- 需要进一步发展,以便在医学图像分析中有效地利用LLM.


