ChatRadio-Valuer：基于多机构多系统数据、用于可泛化放射学报告生成的大语言模型
计算与语言
2023-10-11 v2 人工智能
摘要
放射学报告生成作为医学图像分析的关键步骤，对临床知情决策水平的量化分析至关重要。然而，具有跨源异质性的复杂多样放射学报告在海量数据下对当前方法构成巨大泛化挑战，主要因为放射学报告的风格与规范性在机构、受检身体区域和放射科医生之间明显不同。近来，大语言模型（LLM）的出现为识别健康状况迹象提供了巨大潜力。为解决上述问题，我们与中国中南大学湘雅二医院合作，提出基于LLM的ChatRadio-Valuer，一种为自动放射学报告生成定制的模型，其学习可泛化表示并为复杂分析者案例中的模型适配提供基础模式。具体而言，ChatRadio-Valuer基于单一机构的放射学报告通过监督微调训练，然后适配到来自六个不同机构的临床级事件中的人体多系统评估（即胸部、腹部、肌骨、头部及颌面与颈部）的疾病诊断任务。本研究使用的临床数据集包含显著的共计332,673条观测。从工程指标、临床效能与部署成本指标的综合结果可见，ChatRadio-Valuer在放射学报告疾病诊断方面持续优于最先进模型，尤其是ChatGPT（GPT-3.5-Turbo）与GPT-4等。ChatRadio-Valuer为提升模型泛化性能与减轻专家标注负担以推动放射学报告临床AI应用提供了有效途径。
引用
@article{arxiv.2310.05242,
title = {ChatRadio-Valuer: A Chat Large Language Model for Generalizable Radiology Report Generation Based on Multi-institution and Multi-system Data},
author = {Tianyang Zhong and Wei Zhao and Yutong Zhang and Yi Pan and Peixin Dong and Zuowei Jiang and Xiaoyan Kui and Youlan Shang and Li Yang and Yaonai Wei and Longtao Yang and Hao Chen and Huan Zhao and Yuxiao Liu and Ning Zhu and Yiwei Li and Yisong Wang and Jiaqi Yao and Jiaqi Wang and Ying Zeng and Lei He and Chao Zheng and Zhixue Zhang and Ming Li and Zhengliang Liu and Haixing Dai and Zihao Wu and Lu Zhang and Shu Zhang and Xiaoyan Cai and Xintao Hu and Shijie Zhao and Xi Jiang and Xin Zhang and Xiang Li and Dajiang Zhu and Lei Guo and Dinggang Shen and Junwei Han and Tianming Liu and Jun Liu and Tuo Zhang},
journal= {arXiv preprint arXiv:2310.05242},
year = {2023}
}