在放射学研究中使用大语言模型:综合用户指南
放射学研究联盟(RRA)工作组撰写本指南,帮助放射学研究者负责任地采用大语言模型(LLM)技术。LLM可在文献综述、研究问题生成、复杂数据集分析和稿件撰写等研究阶段提升效率,但实施面临挑战,尤其对人工智能经验有限的用户;本文聚焦各阶段使用方法、提示工程和伦理问题。
要点
- LLM可辅助自动化文献综述、生成研究问题、分析复杂数据集和起草稿件。
- 提示工程可改善与LLM的交互,伦理关切关乎科学诚信。
- 对人工智能经验有限的用户,实施LLM面临挑战。
核心结论
- 将人类专家经验与人工智能驱动的效率相结合,放射学研究者可促进创新、推进知识并提升患者照护。
研究设计与样本
- 放射学研究联盟(RRA)工作组编写的综合用户指南(综述),聚焦LLM在研究各阶段的应用、提示工程与伦理问题。
临床应用与阅片要点
- LLM可帮助自动化文献综述、生成研究问题、分析复杂数据集和起草稿件。
- 提示工程可用于改善与LLM的交互。
- 使用LLM需关注伦理问题以确保科学诚信。
- 对人工智能经验有限的用户,实施LLM存在挑战。
局限性
- 对人工智能经验有限的用户,实施LLM面临挑战。
以上解读依据论文摘要(全文未开放获取或许可不允许翻译转载)。
英文原文(摘要)· 点击展开
Large Language Models (LLMs) such as ChatGPT have been increasingly integrated into radiology research, revolutionizing the research landscape. The Radiology Research Alliance (RRA) of the Association for Academic Radiology (AAR) has convened a Task Force to develop this guide to help radiology researchers responsibly adopt LLM technologies. LLMs can improve various phases of the research process by helping to automate literature reviews, generate research questions, analyze complex datasets, and draft manuscripts. Despite its potential to improve research efficiency, implementation of LLMs poses challenges, especially for users with limited artificial intelligence (AI) experience. This review focuses on approaches to using LLMs in each phase of the research process and addresses prompt engineering to improve interaction with LLMs as well as ethical concerns to ensure scientific integrity. By combining human expertize with AI-driven efficiency, radiology researchers can foster innovation, advance knowledge, and enhance patient care.
引用
- Brown JD, Lenchik L, Doja F, et al. Leveraging Large Language Models in Radiology Research: A Comprehensive User Guide. Acad Radiol. 2025. PMID: 39765432. doi:10.1016/j.acra.2024.11.053
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。