基于定量磁共振成像与大语言模型的神经退行性影像学标志物结构化报告自动生成

《Academic Radiology》:Automated Structured Reporting of Neurodegenerative Imaging Markers Using Quantitative MRI and Large Language Models

【字体: 大 中 小 】 时间:2026年10月14日 来源:Academic Radiology 4.7

编辑推荐:

   原理与目标评估将定量磁共振成像(MRI)软件与大语言模型(LLMs)相结合的定量MRI结构化报告生成流程的可行性,用于自动生成神经退行性影像学标志物的结构化草稿并生成面向临床医生的报告结论。材料与方法从阿尔茨海默病神经影像倡议(ADNI)数据库中随机选取了192例患者的三维T

  

原理与目标

评估将定量磁共振成像(MRI)软件与大语言模型(LLMs)相结合的定量MRI结构化报告生成流程的可行性,用于自动生成神经退行性影像学标志物的结构化草稿并生成面向临床医生的报告结论。

材料与方法

从阿尔茨海默病神经影像倡议(ADNI)数据库中随机选取了192例患者的三维T1加权像和二维或三维FLAIR MRI图像。深度学习模型基于九项与脑萎缩、白质高信号及脑脊液(CSF)间隙异常相关的指标生成结构化报告发现,并与神经放射科医师生成的参考报告进行比较。四个大语言模型(GPT-OSS 20B、MedGemma 4B、Phi-3和Llama 3.1 8B)根据结构化发现生成面向临床医生的结论。生成的结论通过五点李克特量表从四个指标(准确性、相关性、清晰度和满意度)进行评估。输出错误从四个类别进行评估:语言错误、遗漏错误、添加错误和数值错误。

结果

结构化报告发现显示,脑脊液间隙分析的准确性较高(77.6%–97.9%)。在严格匹配条件下,序数视觉量表的表现较低(27.1%–57.8%),但在允许一级误差的条件下有所改善(91.7%–97.4%)。在各LLM中,GPT在大多数指标上得分最高(中位数为5分),且输出错误率最低。较小规模的模型(Phi-3和Llama 3.1 8B)整体表现较低,语言错误、遗漏错误和添加错误更多。MedGemma表现居中,但数值错误率最高。

结论

我们整合定量MRI软件与基于LLM的结论生成的定量MRI结构化报告生成流程,可能适用于自动结构化生成神经退行性影像学标志物的草稿。

各部分摘要

引言

随着放射学在现代临床决策中发挥重要作用,放射科医师的工作量逐渐增加。针对这一趋势,人工智能(AI)已被应用于放射学报告中,可能提升临床工作流程1, 2。近期,大语言模型(LLMs)得到了广泛应用,并展现了其在放射学领域的强大能力。除了解决放射学复杂病例3, 4,LLMs还展现了在放射学报告方面的能力,

材料与方法

VUNO公司(韩国首尔)为深度学习算法的训练及获取其结果提供了技术支持。然而,VUNO公司未参与以下任何流程:研究设计、数据收集、统计分析或数据解读。六名作者(W.J.、D.-H.K.、S.H.L.、M.K.、N.L.和S.K.)均为VUNO公司雇员;然而,所有数据和信息均由另一位作者(C.H.S.)管理,不存在任何利益冲突。

患者特征

在最初选择的200例患者中,有8例因图像质量不佳而被排除(例如严重运动伪影或质量不足以进行可靠的自动分割),由一名神经放射科医师(C.H.S.,12年神经放射学经验)判定。最终从ADNI数据库中随机选取了192例患者(中位年龄[四分位距],76岁[69?82];女性103例)。患者包括48例阿尔茨海默病(AD)患者、46例轻度认知障碍(MCI)患者、49例主观记忆减退(SMI)患者和49例认知正常者。

讨论

本研究评估了用于自动结构化生成神经退行性影像学标志物草稿的定量MRI结构化报告生成流程的可行性。DeepBrain生成的结构化放射学发现对于脑脊液间隙分析,与神经放射科医师定义的参考标准相比表现优异。然而,在严格精确匹配条件下,序数视觉分级量表的表现较低,但在允许一级误差的条件下显著改善。当与大语言模型结合时,

结论

总之,我们整合定量MRI软件与基于LLM的结论生成的定量MRI结构化报告生成流程,可能适用于自动结构化生成神经退行性影像学标志物的草稿。

CRediT作者贡献声明

Ko Ji Su:撰写–原始稿件、可视化、验证、调查研究、正式分析、数据管理。Wooseok Jung:撰写–原始稿件、验证、调查研究、正式分析、数据管理。Pae Sun Suh:撰写–原始稿件、监督、项目管理、方法论、调查研究、经费获取、正式分析、数据管理、概念构思。Hwon Heo:软件、资源。Woo Hyun Shim:软件、资源、概念构思。Dong-Hee Kim:软件。

资金来源

本研究由延世大学医学院教员研究基金(6-2025-0070)资助。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/人际关系:本手稿的作者与以下公司存在关联关系:VUNO公司。
Ko Ji Su|Jung Wooseok|Suh Pae Sun|Heo Hwon|Shim Woo Hyun|Kim Dong-Hee|Lee Seung Hyun|Kim Mijoo|Lee Nahyuk|Kim Saehyun|Kim Sang Joon|Suh Chong Hyun
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号