《Mistral在放射学中的应用：基于人工智能的正常与异常报告分类》

《International Journal of Imaging Systems and Technology》：Mistral in Radiology: AI-Powered Classification of Normal and Abnormal Reports

本研究探讨Mistral大语言模型通过零样本、少样本和微调三种方法对放射学报告进行正常/异常分类的效果，基于12.48万份MRI和CT扫描报告数据，发现微调方法（FT）在精确度和召回率上均最优（F1>0.98），有效减少误判，为自动化放射报告分类提供新方案。

　　

摘要

本研究探讨了Mistral大型语言模型（LLM）在利用三种技术（零样本学习（ZSL）、少样本学习（FSL）和微调（FT）对放射学报告进行正常或异常分类方面的潜力，旨在优化放射学工作流程并提升临床决策能力。数据集包含2024年5月1日至2024年11月1日期间在我们机构进行的MRI和CT扫描生成的124,807份放射学报告。经过筛选后，共有123,296份报告被选用于分析。Mistral LLM分别采用了ZSL、FSL和FT技术进行测试。针对每种技术，计算了精确度、召回率、F1分数和准确率等定量指标，并对误分类案例进行了定性分析。结果表明，ZSL的性能最差：正常类别的F1分数仅为0.191，整体准确率为0.438，主要原因是假阳性率较高。FSL将准确率提升至0.806，但在区分正常报告方面仍存在局限性（F1分数为0.404）。微调（FT）取得了最佳效果，两个类别的F1分数均超过0.98，整体准确率达到0.998，有效减少了假阳性和假阴性的数量。将放射学报告分类为正常或异常对于优先处理紧急病例和优化工作流程至关重要。特别是经过微调后的Mistral LLM，在自动化这一任务方面表现出强劲潜力，其性能优于ZSL和FSL。

利益冲突

Antonio Luna博士表示，他偶尔担任以下公司的讲师：佳能（Canon）、西门子医疗（Siemens Healthiners）和飞利浦（Philips）。本文的其他作者声明与任何可能与其研究内容相关的公司均无利益关系。