编辑推荐：
为探究 LLMs 在放射学中的作用，研究人员分析其应用多方面，发现其有局限，对医学影像研究意义重大。
在当今科技飞速发展的时代，人工智能（AI）浪潮正席卷各个领域，医学也不例外。大语言模型（Large Language Models，LLMs）如 Claude、ChatGPT 等的出现，为医学领域带来了新的曙光。在放射学及医学成像方面，它们展现出巨大潜力，有望在诊断报告解读、医学教育、科研辅助和医患沟通等环节发挥重要作用。然而，理想很丰满，现实却很骨感。目前，LLMs 在实际应用中面临诸多挑战。比如，它无法直接处理 CT、MRI 扫描或 X 光片等视觉数据，难以独立进行医学影像解读，诊断准确性也有待提高。其依赖训练时的文本模式，易导致回答不完整或缺乏上下文准确性，还无法将结果与真实场景比对，可能传播过时或错误信息。而且在结合患者病史、检验结果进行综合判断以及复杂的临床决策、伦理评估等方面，LLMs 也力不从心。
为了深入剖析这些问题，来自德国弗莱堡大学医学中心诊断与介入放射科的 Elmar Kotter 和奥地利维也纳医科大学放射与核医学大学诊所的 Christian Herold 等研究人员开展了相关研究。研究成果发表在《Die Radiologie》杂志上。这一研究对全面了解 LLMs 在放射学中的应用情况意义非凡，有助于明确其在医学影像领域的发展方向，为后续改进和优化提供理论依据，推动放射学借助 AI 技术更好地服务于临床实践。
研究人员主要通过对相关文献的综合分析、实际案例探讨以及利用 LLMs 代表 Claude 进行自我反思等方式开展研究。在文献分析方面，广泛收集和梳理了 LLMs 在放射学应用领域的各类文献；实际案例探讨则聚焦于 LLMs 在临床实践中的具体应用场景；利用 Claude 进行自我反思，让其分析自身在放射学应用中的优势与不足，以此全面评估 LLMs 的表现。
1. LLMs 技术基础
在论文中，同事 Blüthgen 的文章对 LLMs 的基础技术进行了深入浅出的介绍。通过阐述其核心算法、训练机制等内容，让读者对 LLMs 如何处理和生成文本有了更深入的理解，为后续探讨其在放射学中的应用奠定了技术基础。
2. 与 LLMs 交互的实践指南
Fink 等人的研究给出了与 LLMs 交互的实践导向建议。通过实际操作案例和经验总结，为放射科医生及相关医疗人员在日常工作中如何与 LLMs 进行有效交互提供了实用指导，包括提问技巧、结果评估等方面，有助于提高 LLMs 在实际应用中的效率和准确性。
3. LLMs 融入临床常规流程
Arnold 等人展示了 LLMs 如何融入临床常规流程。他们通过对临床工作流程的分析，提出了将 LLMs 整合到日常放射学诊断、报告撰写等环节的可行方案，为推动 LLMs 在临床实践中的广泛应用提供了实践范例。
4. 自然语言报告文本转换为结构化数据
Adams 等人介绍了将自然语言的诊断报告文本转换为结构化数据的方法。这种转换有助于提高数据的规范性和可分析性，方便后续的数据挖掘和利用，为基于大数据的医学研究和临床决策支持提供了有力支持。
5. 相关文献综述与阅读建议
Haffmann 等人对当前关于 LLMs 在放射学应用的文献进行了全面综述，并给出了具体的阅读建议。这为研究人员和临床工作者提供了了解该领域前沿研究的便捷途径，有助于他们快速掌握研究动态，为进一步的研究和实践提供参考。
6. Claude 的自我反思
研究人员利用 Claude 对自身在放射学中的应用进行了自我反思。Claude 认识到其结果依赖训练数据的质量和范围，可能缺乏对最新创新和临床实践的了解，存在简化或错误呈现复杂关系和概念的问题，无法独立评估风险和保障患者安全，在讨论医学成像的伦理问题时也存在局限性。这一自我反思结果进一步揭示了 LLMs 在放射学应用中的潜在问题。
综合来看，研究结果表明，LLMs 作为一种工具，在放射学领域虽有一定价值，但目前还存在诸多局限性，无法完全取代放射科医生和医疗专业人员的专业判断。在未来的发展中，需要不断改进和完善 LLMs 技术，结合多模态 AI 等其他技术，以提高其在医学影像解读、临床决策等方面的能力。同时，研究人员也应更加关注其伦理和安全问题，确保技术在医学领域的合理应用。这一研究为放射学领域的 AI 应用提供了重要参考，有助于推动医学影像技术在 AI 辅助下朝着更加精准、安全、高效的方向发展。
