基于报告的自动化胰腺囊肿追踪方法：对指南规定的囊肿生长分类标准的意义

《Abdominal Radiology》：Automated report-based tracking of pancreatic cysts: implications for guideline-defined growth classification

本研究开发了并评估了基于大语言模型与规则结合的算法，用于自动追踪胰腺囊性病变。结果显示，算法与放射科医生评估一致率达96%，Cohen’s κ为0.81。采用ACR标准时，首次到最后次比较中16.3%的病变符合生长标准，而Kyoto标准在连续比较中识别出21.4%的病变。多变量分析表明，基线囊性病变大小是符合Kyoto标准的最强预测因素。

　　

摘要

目的

开发并评估一种结合大型语言模型（LLM）和规则基础的算法，用于在连续的放射学报告中追踪胰腺囊性病变（PCLs），并将其应用于单中心队列，通过首次到最后一次检查及连续检查的方法来描述囊肿的生长情况。

方法

这项回顾性研究包括了2005年至2024年间由腹部放射科医生解读的所有腹部影像报告。一个经过验证的LLM用于识别描述PCLs的报告。该混合算法结合了LLM提取的囊肿特征（大小、位置）和基于规则的逻辑，以匹配连续报告中的主要囊肿。两名盲法评估的放射科医生独立标注了一部分报告中的囊肿匹配情况。通过百分比一致性和Cohen’s κ系数来评估算法与放射科医生之间的共识。第三名放射科医生对差异进行裁决，以进行错误分析。根据美国放射学会（ACR）的标准评估基于绝对大小的囊肿生长情况，而囊肿生长率这一令人担忧的特征则根据京都标准进行评估，同时使用了首次到最后一次检查和连续检查的数据。使用多变量Cox回归分析了满足京都囊肿生长率标准的预测因素。

结果

在58名患者中，共有418份纵向报告，与 adjudicated 参考标准的一致性为96%。Cohen’s κ系数为0.81（95% CI：0.66–0.91）。整个队列包括8,176名患者（61.8%为女性；平均年龄67.6 ± 11.7岁），共有8,389个囊肿，分布在28,489份报告中，时间跨度为40.6 ± 28.5个月（年生长率为0.35毫米/年）。根据ACR的绝对生长标准，首次到最后一次检查的分类结果中符合标准的囊肿比例高于京都囊肿生长率标准（16.3% vs 7.4%，p < 0.001），而根据京都囊肿生长率标准，连续检查的分类结果中符合标准的囊肿比例更高（21.4% vs 14%，p < 0.001）。较大的基线囊肿大小预示着更有可能满足京都囊肿生长率标准（风险比HR 1.9–4.0；最高HR 4.0，95% CI 3.08–5.21；p < 0.001）。

结论

这种结合LLM和规则基础的混合算法能够可靠地自动追踪连续放射学报告中的PCLs。当大规模应用时，囊肿生长分类的结果会因所使用的指南框架和间隔比较方法而异，而基线囊肿大小是预测是否达到京都生长率标准的最强指标。