基于 ChatGPT 的放射学报告摘要迭代优化框架

放射学报告的“印象”部分是放射科医生与其他医生之间沟通的关键依据，通常由放射科医生根据“所见”部分撰写。然而，撰写大量印象对放射科医生而言繁琐且易错。尽管近期研究利用大规模医学文本数据预训练与微调预训练语言模型，在自动印象生成上取得了可喜结果，但此类模型往往需要大量医学文本数据且泛化性能较差。虽然 ChatGPT 等大型语言模型（LLM）已展现出强大的泛化能力与性能，但其在放射学等特定领域的表现仍缺乏充分研究且可能有限。为应对此局限，我们提出 ImpressionGPT，其通过构建基于领域特定、个体化数据的动态上下文，利用 LLM 的上下文学习能力。该动态提示方法使模型能从现有数据中语义相似的示例学习上下文知识。此外，我们设计了一种迭代优化算法，对生成的印象结果进行自动评估并编写相应指令提示以进一步优化模型。所提 ImpressionGPT 模型在 MIMIC-CXR 与 OpenI 数据集上均达到 SOTA 性能，且无需额外训练数据或微调 LLM。本工作提出了一种本地化 LLM 的范式，可应用于广泛类似场景，弥合通用 LLM 与各领域特定语言处理需求之间的鸿沟。