在一个大型语言模型中探索零射击学习的临床可行性,用于免疫固定电泳图像解释
1Department of Biochemistry, School of Medicine, Kocaeli University, Kocaeli, Turkey.
概括
大型语言模型 (LLM) 显示出解释免疫固定电泳 (IFE) 图像的前景. 双子座在自动化IFE分析中表现优于ChatGPT,尽管需要进一步验证.
科学领域:
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
- 实验室医学 实验室医学
背景情况:
- 免疫固定电泳 (IFE) 是检测单克隆免疫球蛋白的标准,但是主观的.
- 多模式大语言模型 (LLM) 提供零射击视觉推理能力.
- 自动化IFE解释可以减少变化,提高效率.
研究的目的:
- 评估IFE图像解释的零射击多模式LLM的可行性和诊断性能.
- 为了比较不同LLM在IFE模式分类中的表现.
- 评估快速设计对LLM绩效的影响.
主要方法:
- 使用了十个班级的487张IFE图像的数据集.
- 两个多模式的LLM (ChatGPT-5.2,Gemini3 Pro) 使用零拍摄视觉问题答案 (ZS-VQA) 框架进行了评估.
- 使用精度,回忆,F1得分和混矩阵分析以及简单而详细的提示来评估性能.
主要成果:
- 双子座的表现优于ChatGPT,在临床上相关的单克隆类别 (如MK,AK,GK) 中获得高F1分数.
- 详细提示显著改善了这两款车型的召回和F1分数.
- 两种模型都在与视觉上微妙的模式作斗争,表明需要改进的领域.
结论:
- 零射击多模式LLM,特别是Gemini,显示出自动化IFE解释的潜力.
- 由于性能可变性,临床实施需要进一步优化和验证.
- 快速工程对于提高IFE的LLM诊断精度至关重要.
