利用大型语言模型，从肿瘤学CT报告中辅助提取有价值的发现

《Scientific Reports》：AI-assisted extraction of opportunistic findings from oncologic CT reports using large language models

　　

摘要

影像学检查中发现的偶然性异常（iOFs），如骨质疏松、肝脂肪变性或冠状动脉钙化，是具有临床意义的异常现象，这些异常在常规计算机断层扫描（CT）检查中可能可见，但在肿瘤影像学检查中常常被漏报。这种漏报现象反映了放射科医生的工作负担较重、对次要发现的认识有限，以及放射学报告的叙述结构问题。在这项研究中，我们结合临床评估和人工智能技术，探讨了在常规肿瘤CT检查中这些偶然性异常的检测与报告情况。通过对156名肿瘤患者和5名放射科医生进行的多阶段研究，我们评估了他们对10种预先定义的偶然性异常的识别一致性，发现不同发现类型及不同经验水平的放射科医生之间的一致性较高。随后，我们开发了一个基于大型语言模型（LLM）的系统，该系统能够自动从自由文本形式的放射学报告中提取这些异常，并将其与预先制定的、基于指南的管理建议相关联。该系统与报告中的专家注释高度吻合（内部测试中F1值=0.995，独立读者验证中F1值=0.980）。回顾性分析显示，在156名患者中有29名（18.6%）存在之前未被发现的偶然性异常，且这些异常没有相应的随访记录，这证明了系统化提取和结构化沟通的潜在临床价值。这些结果表明，基于LLM的放射学报告分析方法有助于在临床工作中系统地提取和传达这些异常信息。