RadGPT：基于大语言模型的放射学报告患者教育系统开发与验证

为解决《Cures Act Final Rule》要求下患者难以理解含专业术语的放射学报告问题，研究人员开发了整合概念提取与大语言模型(LLM)的RadGPT系统。通过生成150个概念解释和390组问答对，验证显示LLM生成内容质量显著优于模板生成(p<0.001)，95%材料获专家最高评级，92%报告级问答被评为最优，为患者提供了安全有效的放射学知识转化工具。

　　

在医疗信息透明化浪潮中，《Cures Act Final Rule》要求美国医疗机构实时向患者开放包括放射学报告在内的所有健康数据。然而，这些充满"肺结节"、"局灶性强化"等专业术语的报告，对普通患者而言犹如天书。据统计，超过80%的患者无法准确理解报告中的关键临床信息，这不仅导致不必要的焦虑，还可能影响后续诊疗决策。如何将晦涩的放射学语言转化为患者可理解的内容，成为亟待解决的重要临床问题。

针对这一挑战，来自美国的研究团队开发了名为RadGPT的创新系统。该系统创造性地将自然语言处理(NLP)中的概念提取技术与前沿的大语言模型(LLM)相结合，旨在自动生成个性化的患者教育材料。研究成果发表在放射学领域权威期刊《Journal of the American College of Radiology》上，为医疗人工智能应用开辟了新路径。

研究团队采用多模态技术路线：首先从2012-2020年的30份放射学报告"印象"(Impression)部分提取关键概念；随后运用两种方法生成问答对——传统固定模板法和LLM生成法；同时跳过概念提取步骤，直接通过LLM从报告原文生成问答。所有材料由1名认证放射科医师和4名住院医师采用标准化量表进行盲法评估。

在^{方法学验证}
部分，研究证实LLM生成的问题质量显著优于模板生成问题(p<0.001)。^质量评估
结果显示，排除模板生成内容后，95%的RadGPT输出材料获得专家高度认可，其中50%以上被所有5位评审者评为最高等级。特别值得注意的是，^{安全性分析}
确认没有任何解释或答案存在影响诊疗安全的风险。^{报告级问答}
表现尤为突出，92%的LLM生成问题和61%的对应答案获得全评审组最高评分。

研究结论表明，RadGPT系统能够可靠地生成^{患者友好型}
放射学解释材料。该系统具有三大核心价值：首先，通过概念提取与LLM的协同作用，实现了专业术语的精准转化；其次，问答对的动态生成模式满足了个性化需求；最重要的是，该系统输出的医学解释经专家验证具有临床安全性。这些发现为人工智能在医疗教育领域的应用提供了重要范式，不仅符合法规要求，更从根本上提升了患者的健康信息获取能力。从长远来看，此类技术的推广将有助于缩小医患信息鸿沟，优化共享决策过程，最终改善医疗服务质量。