利用RAG优化LLM与病理基础模型提升甲状腺细胞学诊断
计算与语言
2025-05-14 v1 定量方法
摘要
人工智能（AI）的 advancements 不断改变病理学，通过整合大型语言模型（LLM）与检索增强生成（RAG）和领域特定基础模型。本研究探讨了将RAG增强的LLM与病理基础模型结合用于甲状腺细胞学诊断，解决细胞学解释、标准化和诊断准确性方面的挑战。通过利用精选知识库，RAG可动态检索相关病例、诊断标准和专家解释，提高LLM的上下文理解。同时，病理基础模型在高分辨率病理图像上训练，可细化特征提取和分类能力。这种AI驱动方法的融合增强了诊断一致性，减少了变异性，并支持病理学家区分良性与恶性甲状腺肿瘤。我们的结果表明，将RAG与病理特定LLM集成可显著提高诊断效率和可解释性，为AI辅助甲状腺细胞病理学铺路，基础模型UNI在从甲状腺细胞样本预测手术病理诊断方面的AUC可达0.73-0.93。
引用
@article{arxiv.2505.08590,
title = {Enhancing Thyroid Cytology Diagnosis with RAG-Optimized LLMs and Pa-thology Foundation Models},
author = {Hussien Al-Asi and Jordan P Reynolds and Shweta Agarwal and Bryan J Dangott and Aziza Nassar and Zeynettin Akkus},
journal= {arXiv preprint arXiv:2505.08590},
year = {2025}
}