基于大语言模型与视觉Transformer的颅内易损斑块AI诊断：多中心研究新突破

《European Radiology》：AI-driven diagnosis of vulnerable intracranial atherosclerotic plaques using large language models and vision transformers: a multi-center study

本研究针对高分辨率血管壁成像（HR-VWI）解读对专业经验依赖度高的问题，研究人员通过整合大语言模型（LLMs）与深度学习技术（ResNet50/ViT），对726例患者的1806个斑块进行多中心研究。结果显示：ChatGPT-4o（AUC:0.874）与ViT（AUC:0.913）显著提升诊断准确性，并将初级医生斑块评估时间从301秒缩短至174秒（p<0.05），为资源有限医疗机构提供高效诊断方案。

　　

本研究探索如何通过人工智能模型辅助经验不足的医生，基于高分辨率血管壁成像（High-Resolution Vessel Wall Imaging, HR-VWI）准确识别颅内易损动脉粥样硬化斑块，并提升诊断效率。

研究人员开展了一项回顾性研究，纳入2018年6月至2024年6月期间有症状的颅内动脉粥样硬化性狭窄患者。他们采用三种大语言模型（Large Language Models, LLMs）——ChatGPT-4o、DeepSeek-V3和Moonshot AI，通过训练HR-VWI报告文本提取诊断关键信息。同时，使用两种深度学习（Deep Learning, DL）模型——ResNet50和视觉Transformer（Vision Transformer, ViT）对斑块图像进行分类，重点识别易损斑块特征。研究还比较了初级医生与资深医生在使用AI辅助前后的诊断准确性、敏感性、特异性及耗时差异。

结果显示：共分析726名患者的1806个斑块。大语言模型中，ChatGPT-4o诊断性能最优（曲线下面积AUC: 0.874）；深度学习模型中，ViT表现显著优于ResNet50（AUC: 0.913 vs. 0.845）。结合LLMs与ViT的AI系统使初级医生诊断准确率大幅提升，单个斑块评估时间从301秒降至174秒（p<0.05），接近专家水平。

该研究证实，融合大语言模型的文本分析能力与视觉Transformer的图像识别技术，可有效降低HR-VWI解读对专业经验的依赖，显著提升诊断效率与一致性。这一方案有望缓解资源匮乏地区医疗系统的诊断压力，通过快速、精准的易损斑块筛查降低卒中风险，具有重要临床推广价值。