通过提取增强的LLM代理来进行脊柱手术的可解释和与证据相关的建议
Yiren Li1, Mingyu Lv1, Liang Cheng1
1Department of Spine Surgery, Center for Orthopedic Surgery, The Third Affiliated Hospital, Southern Medical University, Guangzhou, China.
European journal of radiology
|February 21, 2026
概括
双子座2.5 Flash和DeepSeek在使用新型RAG框架的脊椎疾病决策支持方面表现出卓越的表现. 这项研究突出了域调整的大型语言模型 (LLM) 提高临床护理的潜力.
科学领域:
- 人工智能在医学中的应用
- 脊柱外科手术决策支持
- 临床信息学 临床信息学
背景情况:
- 脊柱疾病的临床决策需要整合成像,神经状态,骨完整性和患者目标.
- 大型语言模型 (LLM) 提供了智能决策支持的潜力,但需要严格评估可靠性和可解释性.
研究的目的:
- 提出和评估一种基于增强生成 (RAG) 的新型检索框架,用于脊髓疾病的决策支持.
- 在这个框架内,系统地比较四种先进的LLM代理 (Gemini 2.5 Flash,DeepSeek,GPT-4o,GPT-4o-mini) 的性能.
主要方法:
- 开发了一个RAG框架,包括特定领域的提示,结构化响应和证据跟踪.
- 用200个真实的脊柱病例来评估诊断,治疗和后续任务.
- 五位脊椎外科医生使用11维标签评估了LLM输出,并对组间差异进行了统计分析.
主要成果:
- 双子 2.5 闪光实现了最高的整体得分,明显优于其他型号.
- 在差异诊断的完整性方面,DeepSeek表现出卓越的性能.
- 在脊柱特定的临床推理中观察到实质性的跨模型变异性.
结论:
- 双子 2.5 Flash 和 DeepSeek 显示出卓越的临床准确性,全面性和用于脊柱决策支持的可用性.
- 适应领域的RAG剂显示出增强基于证据的脊柱护理的前景.
- 未来的工作应该探索多式联运数据集成和潜在的临床验证.
更多相关视频
03:14Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
Published on: December 6, 2024
1.2K
05:47Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
Published on: June 13, 2025
1.7K
