SpiroLLM：针对肺功能测试 spirogram 时间序列的微调预训练大语言模型
人工智能
2026-03-03 v3 计算与语言
摘要
慢性阻塞性肺疾病（COPD）是一种全球导致致残和死亡的主要慢性呼吸疾病，伴有持续的气流受限。呼吸 spirogram 时间序列在肺功能测试（PFT）期间常规收集，对于早期检测呼吸疾病和随时间监测肺功能至关重要。然而，目前大多数用于COPD诊断的AI模型仅限于输出分类结果，而不提供诊断过程的依据；当前的大语言模型（LLM）尚不能理解 spirogram，这严重限制了其临床信任和采纳。为此，我们利用来自英国生物样本库（UKB）的234,028名个体数据，提出SpiroLLM——首个能够理解 spirogram 的多模态大语言模型。模型通过 SpiroEncoder 从呼吸曲线中提取形态特征，并通过 SpiroProjector 将其与 PFT 数值在统一的潜在空间中对齐，最终使大语言模型能够生成综合性的诊断报告。实验结果表明，SpiroLLM实现了诊断 AUROC为0.8977（95%置信区间：0.88-0.91）。在缺失核心数据的情况下，它保持了100%的有效响应率，远超仅文本模型的13.4%，凸显了其多模态设计的优势。这一工作展示了将生理信号深度融合到大语言模型中的巨大潜力，为下一代可解释且可靠的临床决策支持工具确立了新范式。
引用
@article{arxiv.2507.16145,
title = {SpiroLLM: Finetuning Pretrained LLMs to Understand Spirogram Time Series with Clinical Validation in COPD Reporting},
author = {Shuhao Mei and Yongchao Long and Xiaoyu Xiao and Shan Cao and Xiaobo Han and Shijia Geng and Jinbo Sun and Yuxi Zhou and Shenda Hong},
journal= {arXiv preprint arXiv:2507.16145},
year = {2026}
}