大型语言模型生成的RadLex本体学的扩展:应用于多国数据集的胸部CT报告
Taehee Lee1, Hyungjin Kim1, Seowoo Lee1
1Department of Radiology, Seoul National University Hospital, Seoul National University College of Medicine, Seoul, Korea.
AJR. American journal of roentgenology
|January 14, 2026
概括
一个大型语言模型 (LLM) 用更多术语增强了RadLex放射学本体学,提高了它理解临床放射学报告的能力. 这种LLM产生的扩展增加了跨跨国数据集的词汇覆盖和语义回忆.
科学领域:
- 医疗信息学 医疗信息学
- 自然语言处理自然语言处理.
- 放射学 放射学是一门学科.
背景情况:
- RadLex是一个标准的放射学本体学,由于语言差异,临床报告的覆盖范围有限.
- 放射科医生的多样化语言在临床放射学中为准确的术语标准化带来了挑战.
研究的目的:
- 使用大语言模型 (LLM) 扩展RadLex本体.
- 评估LLM对临床放射学报告中的词汇覆盖和语义术语识别的影响.
主要方法:
- 一个LLM生成RadLex术语的词汇变体和同义词,确保语义对齐.
- 来自跨国数据集的临床胸部CT报告使用LLM进行了分析.
- 在LLM生成的扩展和RadLex提供的扩展之间计算和比较了词汇覆盖,精度,回忆和F1分数.
主要成果:
- 该法学士课程产生了208,465个词汇变体和69,918个同义词,大大扩大了原来的17515个术语.
- 在数据集中,LLM产生的扩展显示了更高的词汇覆盖率 (81.9-85.6%) 和回忆 (81.6-91.4%).
- 观察到精度略有下降 (94.8-98.2%),但整体F1得分有所改善 (0.91-0.95).
结论:
- 基于LLM的术语扩展改善了放射学本体学的词汇覆盖和语义回忆.
- 这种方法提供了一个可扩展的解决方案,用于增强临床放射学中的自然语言处理.
- 该LLM产生的扩展帮助现实世界的应用,通过更好地与放射科医生的语言对齐.


