准确的医学图表抽象的大型语言模型:在中风中实现可扩展和安全的AI部署
Zhusi Zhong1, Carl M Porto1, David Hong1
1From the Warren Alpert Medical School of Brown University (Z.Z., C.M.P, M.G., R.K., G.K., L.B., J.R.F., E.S., S.C., L.S., G.B., M.J., S.Y., Z.J., D.N.W.), Department of Radiology (Z.Z., G.B., M.J., Z.J.), Brown University Health, Department of Interventional Radiology (D.N.W.), Brown University Health, Department of Neurosurgery (J.R.F.), Brown University Health, Providence 02903, USA.
AJNR. American journal of neuroradiology
|February 20, 2026
概括
大型语言模型 (LLM) 可以准确地从神经干预性中风报告中提取临床数据. 这种人工智能方法通过高效地构建复杂的医疗信息来帮助研究.
科学领域:
- 人工智能的人工智能
- 医疗信息学 医疗信息学
- 神经干预放射学神经干预放射学
背景情况:
- 医学图表抽象对于临床研究和质量监测至关重要.
- 非结构化的程序报告阻碍了对临床数据的大规模分析.
研究的目的:
- 开发和评估一个基于提示的大型语言模型 (LLM) 框架.
- 从急性缺血性中风 (AIS) 患者的神经干预手术报告中自动提取结构化临床变量.
主要方法:
- 追溯分析了2,416份神经干预性血栓切除术报告.
- 评估了22个使用快速响应和思维链 (CoT) 提示策略的指令调整的LLM.
- 与非专家工作人员的注释和医学专家的评级进行准确性和一致性的比较.
主要成果:
- LLaMA3.3-70B实现了94.8%的准确性,超过了非专家的注释.
- CoT提示增强的推理变量提取;快速响应优于直接程序领域.
- 人工智能预测与专家解释相比,非专家人员的预测更符合专家解释,特别是在结构化变量方面.
结论:
- 提示的LLM可以准确且可扩展地从神经血管放射学报告中提取关键的临床信息.
- 该框架支持集成到回顾性研究和自动化中风注册表策划,而无需自定义预处理.
