编辑推荐：
为解决临床膝关节骨关节炎（OA）基于全器官 MRI 评分（WORMS）的结构化报告生成耗时长、信息提取难等问题，研究人员评估 GPT-4o 等大语言模型（LLMs）性能。发现 GPT-4o 生成报告准确性达 93.9%，预测 OA 严重程度准确率 98.1%，且获外科医生更高偏好，为临床提效减负具重要意义。
膝关节是人体最复杂的负重关节之一，随着人口老龄化加剧，膝关节骨关节炎（Knee Osteoarthritis, OA）已成为中老年人致残的主要原因之一。临床上，准确评估膝关节 OA 的严重程度对于制定治疗方案至关重要。全器官 MRI 评分（Whole-organ MRI Score, WORMS）是目前评估膝关节 OA 结构改变的金标准，但传统的基于 WORMS 的结构化报告生成需要放射科医生逐一对 39 项关键特征进行人工判读，耗时费力，且自由文本报告中的信息提取困难，容易导致关键征象漏诊或误判。如何提高 WORMS 报告生成效率和准确性，成为临床亟待解决的难题。
为应对这一挑战，复旦大学附属华山医院放射科联合西门子上海医疗器械有限公司的研究团队，开展了大语言模型（Large Language Models, LLMs）在膝关节 OA 影像报告自动化处理中的研究。相关成果发表在《Insights into Imaging》杂志，为人工智能（AI）在医学影像领域的应用提供了新方向。
研究人员采用回顾性研究设计，纳入 160 例疑似膝关节 OA 患者的 MRI 报告，由三位放射科医生建立 WORMS 参考标准。研究选取 OpenAI 的 GPT-4o 和 GPT-4o-mini 模型，通过上下文知识（In-Context Knowledge, ICK）和链思维（Chain-of-Thought, COT）两种提示策略，结合 0-shot、1-shot、3-shot 学习方式，生成基于 WORMS 的结构化报告，并预测 OA 严重程度（基于 Kellgren-Lawrence, K-L 分级）。此外，四位骨科医生对原始报告和 LLM 生成报告进行两两偏好和难度测试，记录阅片时间。
研究结果
1. 报告生成性能
GPT-4o 在提取膝关节左右侧信息时表现完美（准确率 100%）。在生成 WORMS 报告方面，GPT-4o 的准确率（93.9%）显著高于 GPT-4o-mini（76.2%），F1 分数（0.906 vs 0.624）和召回率（87.3% vs 46.7%）也优势显著。提示策略上，GPT-4o 采用 COT 1-shot 时表现最佳，而 GPT-4o-mini 随提示示例增加（3-shot）准确率提升。
2. OA 严重程度分类
在预测 OA 严重程度方面，GPT-4o 的最高准确率达 98.1%（二进制分类）和 96.2%（序数分类），远超 GPT-4o-mini（68.7% 和 47.5%）。COT 策略显著优于 ICK，其中 GPT-4o 的 COT 1-shot 在 K-L 4 级（最严重 OA）中召回率达 100%，显示对重度病变的高识别能力。
3. 临床医生评价
骨科医生对 LLM 生成报告的偏好显著高于原始报告（p<0.001），99.53% 的报告被评为 “喜欢” 或 “非常喜欢”。同时，提取关键信息的难度显著降低（96.72% 报告为 “容易” 或 “非常容易”），阅片时间从 87.42±20.26 秒缩短至 51.27±9.41 秒，效率提升 58.65%。
研究结论与讨论
本研究证实，GPT-4o 通过 COT 提示策略可高效生成多特征的 WORMS 结构化报告，并准确分类 OA 严重程度。其性能远超小型模型，且获得临床医生高度认可，显著提升工作效率并减轻文档负担。尽管在软骨等复杂结构的分类中仍有不足（如股骨内侧软骨准确率 88.1%），但研究结果表明 LLMs 在医学影像报告自动化领域具有巨大潜力。未来结合视觉 - 语言模型等多模态 AI 技术，有望进一步提升其在复杂临床场景中的应用价值，为 OA 的早期诊断和精准治疗提供有力支持。
该研究首次系统验证了 LLMs 在膝关节 OA 全器官影像评估中的实用性，为 AI 辅助诊断系统的临床转化奠定了基础，推动医学影像从 “人工解读” 向 “智能分析” 的范式转变。
