基于大型多模态模型的病理报告标准化及其预后意义
计算与语言
2024-11-28 v1
摘要
病理报告包含丰富的临床和病理细节，但常以自由文本形式呈现，其非结构化特性显著限制了内容的可获取性。本文提出一种基于大型多模态模型 (LMM) 的实用方法，用于从扫描的病理报告图像中自动提取信息，目标是生成指定不同字段值及其准确性估计置信度的标准化报告。所提出的方法克服了现有方法不为提取字段分配置信度得分的局限，后者限制了其实际应用。该框架通过对大型多模态模型 (LMM) 进行两阶段提示，用于信息提取和验证。该框架可适用于来自多个医疗机构的文本报告以及遗留病理报告扫描图像。我们表明，估计的置信度是提取信息准确性的有效指示器，可用于仅选择准确提取的字段。我们还展示了结构化和非结构化数据从病理报告中具有预后意义，并表明自动提取的字段值对患者分层具有显著的预后价值。该框架可通过 URL: https://labieb.dcs.warwick.ac.uk/ 进行评估。
引用
@article{arxiv.2405.02040,
title = {Large Multimodal Model based Standardisation of Pathology Reports with Confidence and their Prognostic Significance},
author = {Ethar Alzaid and Gabriele Pergola and Harriet Evans and David Snead and Fayyaz Minhas},
journal= {arXiv preprint arXiv:2405.02040},
year = {2024}
}
备注
19 pages, 6 figures