基于大型推理模型的CMR语义解读显式诊断链

《npj Digital Medicine》：Explicit chain of diagnosis for CMR semantic interpretation via large reasoning model

　　

摘要

心脏磁共振成像（CMR）是评估心血管疾病状况的临床金标准，但将图像语义表征转化为具体的疾病诊断仍具有挑战性。当前的语言大模型（LLMs）往往缺乏临床信任所需的可解释性。本文提出了CMR-R，一个大型推理模型，该模型以CMR定量参数和CMR报告中的语义描述为输入，为CMR语义诊断提供显式的、可解释的诊断链。我们构建了一个包含16,104例病例的多中心数据集，并开发了一个多阶段自适应学习训练框架，以增强推理能力、缓解长尾分布偏差，并实现利用无标签数据的前瞻性持续学习。CMR-R在八个类别中实现了诊断准确率（ACC: 0.858，AUC: 0.944），超越了具有10年以上经验的放射科医生及其他语言大模型的表现，包括在左心室非致密化（LVNC）和心脏淀粉样变性等罕见疾病中。此外，CMR-R揭示了CMR影像学特征与心脏疾病之间的潜在关联。本研究有望提高CMR诊断准确率并改善临床效率。