文献速递骨肌DR

基于大语言模型的不确定性校正标签提取用于上肢X线摄影人工智能模型开发

Large language model-based uncertainty-adjusted label extraction for artificial intelligence model development in upper extremity radiography.
PubMed 文献 · Eur Radiol · 2025-11-14

本研究为双中心回顾性分析,评估GPT-4o从锁骨、肘和拇指X线自由文本报告中零样本提取结构化诊断标签(含不确定性)的能力,并用提取标签训练多标签图像分类模型。测试集标签提取准确率98.6%(60,618/61,488),各解剖区域基于标签训练的模型宏平均AUC具有竞争力,不确定性处理方式及内外部数据集间均无显著差异(p ≥ 0.15)。

要点

  • GPT-4o零样本从德语X线报告提取标签,测试集标签级准确率98.6%(60,618/61,488)。
  • 肘部包含性模型宏平均AUC=0.80(范围0.62–0.87),排除性模型AUC=0.80(范围0.61–0.88)。
  • 不确定性标签自动识别率低于人工识别,但未显著影响模型性能(p ≥ 0.15)。

核心结论

  • GPT-4o可从放射学报告中提取标签,训练出具有竞争力的多标签分类模型,且提取准确率高。
  • 报告中检测到的不确定性未影响这些模型的性能。

研究设计与样本

  • 双中心回顾性分析,纳入锁骨1170例、肘3755例、拇指1978例X线摄影系列及原始报告。
  • 内部数据集来自亚琛大学医院2010至2024年,外部测试集来自科隆大学医院2010至2022年。
  • 内部数据按64%训练、16%验证、20%测试拆分,确保各集标签分布均衡。
  • 各解剖区域外部测试集各随机抽取300例,仅用于最终测试。
  • 使用OpenAI GPT-4o零样本填充区域特异性JSON模板,标签取值为「true」「false」或「uncertain」。

关键影像表现/征象

  • 锁骨模型对常见骨折标签AUC高,对「肩锁关节-关节间隙增宽」等罕见表现性能较差。
  • 肘部模型对常见骨折相关表现(如「桡骨头骨折」)AUC高,对「小骨片」等较低且不一致。
  • 拇指模型对关节退变相关标签AUC最高,对骨折和软组织改变(如「肿胀/指炎」)检测效率明显较低。
  • 模型对罕见表现倾向于高特异度但敏感度降低,尤其对细微或软组织相关异常。
  • 图3示例显示:锁骨中段骨折被误判为内侧段骨折,肘部肱三头肌腱止点软组织钙化被漏诊,拇指掌指关节退变因Boutonnière样畸形重叠被漏诊。

诊断标准与关键数值

  • 标签提取准确率评估包括标签级准确率(所有报告中正确提取标签的比例)和报告级准确率(所有标签均正确提取的报告比例)。
  • 内部测试集:锁骨标签级准确率98.8%(5988/6058)、报告级78.5%(183/233);肘98.6%(21,294/21,605)、74.4%(554/745);拇指99.0%(9731/9825)、85.5%(336/393)。
  • 外部测试集(每部位300份报告):锁骨标签级98.6%(7687/7800)、报告级72.7%(218/300);肘98.4%(8564/8700)、71.3%(214/300);拇指98.1%(7354/7500)、73.7%(221/300)。
  • 模型性能指标包括准确率、敏感度、特异度、AUC及精确率-召回率曲线,宏平均AUC仅纳入测试集中至少10个阳性病例的标签。
  • 最优决策阈值在验证集上用Youden指数法确定。

临床应用与阅片要点

  • 基于GPT-4o的自动标签提取可将常规锁骨、肘和拇指放射学报告快速转换为结构化多标签训练数据集。
  • 支持可扩展地开发专用图像分类模型。
  • 阅片/报告时需注意:不确定性标签的自动识别率低于人工识别,但本研究显示其未显著影响模型性能。

局限性

  • 检测不确定标签具有挑战性,GPT-4o仅识别出人工识别的不确定病例中的一部分。
  • 标签不确定性未显著影响模型性能。
  • 对软组织异常(如「肿胀」「软组织肿块」)的性能明显较低,这些标签更罕见且在X线上本身更难识别。
  • 阳性病例数量有限,加之参考报告主观性更强,使网络学习到的训练数据更弱且噪声更大。
  • 置信区间增宽,敏感度和特异度波动,包含性与排除性不确定性处理方案间未出现统计学显著的AUC差异。
全文中译11 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2025 Nov 14;36(4):2646–57. doi: 10.1007/s00330-025-12102-1

引言

据世界卫生组织统计,全球每年约进行36亿次影像检查[1]。尽管数量如此庞大,人工智能模型的开发仍受数据稀缺的制约[2]。增加影像检查-报告配对数据的可用性,将提升人工智能模型训练的数据量和多样性,并有助于解决泛化能力弱等性能问题[3]。传统上,此类数据集通过人工标注创建,这种方法劳动强度大、成本高,且若由非专家执行,质量不一致[4]。也有研究尝试使用基于规则或传统机器学习的自然语言处理(NLP)方法从放射学报告中自动提取标签[5]。虽然这些方法前景可观[6–9],但它们需要额外训练,且往往难以应对术语的复杂性。据报道,错误标注率高达10%[10],可能降低模型性能。

大语言模型(LLM)为处理放射学报告提供了一种更具适应性的替代方案,能够解读复杂的语言模式并将自由文本转换为结构化模板[11, 12]。例如,Al Mohamad等人使用开源LLM(Mixtral 8 × 7b)从踝关节X线片中提取二分类骨折标签,并训练标准卷积神经网络(CNN)[13]。然而,其研究仅涉及一个解剖区域中的单一标签,且未考虑标签不确定性,即放射学报告中常见的“可能”、“提示”或“不确定”等措辞[14],这些措辞反映了固有的诊断模糊性。忽视不确定性可能将噪声引入数据集,从而可能损害下游人工智能性能。

据我们所知,尚无先前研究探索使用LLM在多个上肢区域进行自动化、不确定性感知的标签提取,以训练多标签分类模型。虽然上肢骨折检测人工智能模型已有综述[15],但针对锁骨、肘部和拇指常见及较少见疾病的综合性模型仍研究不足。

我们的目标是研究LLM能否用于跨上肢多个解剖区域的自动化标签提取,以训练多标签分类模型,以及标签不确定性是否影响模型性能。我们假设:(i)LLM能够准确从放射学报告中提取标签并检测不确定性;(ii)标签不确定性不影响模型性能;(iii)提取的标签能够高效训练多标签分类模型。

方法

研究设计

本研究设计为一项双中心回顾性分析,利用肘部、拇指和锁骨的X线摄影序列及原始放射学报告。来自我们大学医院(亚琛大学医院诊断与介入放射科)的内部数据集来源于本地图像归档与通信系统(isite,Philips),时间跨度为2010年至2024年。本研究依照当地数据保护法律开展,并获得当地伦理委员会批准(亚琛工业大学医学院伦理委员会,EK24-174),豁免个体知情同意。外部测试集收集自科隆大学医院(诊断与介入放射学研究所),获得伦理批准(24-1348-retro)并豁免知情同意。内部站点的X线摄影使用五台计算机X线摄影设备采集:Philips DigitalDiagnost VR、Philips DigitalDiagnost 4 High Performance、Siemens Ysio Max以及两台Philips DigitalDiagnost C90系统。外部站点的X线摄影使用Philips DigitalDiagnost系统采集。所有设备均采用平板探测器、自动曝光控制及该站点的标准X线摄影方案。常规上肢曝光设置为肘部和拇指50–60 kVp、2–5 mAs,锁骨60–70 kVp、8–18 mAs,源到图像距离为100 cm。

患者选择

患者选择流程见图1。最终内部数据集被分为训练集(64%)、验证集(16%)和测试集(20%),同时确保各集合间标签分布均衡。由于本回顾性研究使用了所有符合纳入标准的检查,未进行先验样本量计算。对于外部数据,合作医院已移除年龄< 18岁患者的检查和缺失投照体位的检查。因此,本地仅需排除术后、随访和截肢病例。随后,一个自动化Python脚本(v 3.12.3)按解剖区域随机抽取300名患者作为最终外部测试集。

图1 数据整理与准备。左:内部数据集(亚琛大学医院,2010–2024);右:外部数据集(科隆大学医院,2010–2022)。两个来源应用了相同的排除标准:年龄< 18岁患者、术后影像、随访检查及截肢后检查。儿科病例已由科隆站点移除(见年龄排除框下方注释)。排除后,科隆池按区域分层随机抽样,锁骨(CL)、肘部(EL)和拇指(TH)各抽取300项检查。内部数据被分为训练集(64%)、验证集(16%)和内部测试集(20%)子集。外部数据仅用于最终测试。所有最终数据集包括锁骨的前后位投照以及肘部和拇指的前后位和侧位投照。“St. p.,status post” 查看原图 ↗

总体方法

总体流程见图2。使用OpenAI的GPT-4o从自由文本放射学报告中提取结构化标签,用于训练专用卷积神经网络(CNN)进行分类。Python用于数据处理和模型实现。

图2 研究流程。A 收集并整理锁骨、肘部和拇指的X线摄影系列及相应的放射学报告。B 大语言模型(LLM)根据放射学报告填写包含相关病变的区域特异性结构化模板。各个标签为“真”、“假”或“不确定”。该模板为机器可读格式,以JavaScript对象表示法(JSON)格式提供。为后续模型训练,使用Python将训练/验证集中的“不确定”标签自动转换为“真”(包容性标注)或“假”(排他性标注)。C 将JSON文件与X线摄影系列配对,使用各自的标签训练图像分类模型的包容性和排他性版本。D 两个模型均在包含人工校正标签(金标准)的内部和外部测试数据集上进行测试。 查看原图 ↗

自动标签提取

在标签提取之前,报告通过去除患者姓名、医师信息、日期和患者ID等个人身份标识符进行自动匿名化处理。匿名化是否成功经人工验证。GPT-4o以零样本方式使用,即在标签提取前未进行任务特异性微调(补充文本1)。该工具被指示为每个解剖区域填写预定义的JavaScript对象表示法(JSON)模板,模板包含骨折等常见病变以及硬化性病变和软组织肿块等较少见发现(补充文本2)。模板由一位资深肌肉骨骼(MSK)放射科医师(S.N.,具有12年临床经验)设计。

对于每个标签(病理),该工具被指示从三个选项中选择:“真”、“假”或“不确定”。“真”表示感兴趣的影像学发现存在(病理存在),“假”表示该发现不存在(病理不存在),“不确定”表示报告包含诊断不确定性的表述。因此,当报告包含表示怀疑的短语或模糊限制语时,标签被标记为“不确定”。不确定性术语基于专门文献[14, 16],包括“可能”和“疑似”等表述。这些示例连同其德语翻译一起提供,因为报告为德语。

人工质量检查

在自动标签提取之后,一名医学生(A.C.)在资深肌肉骨骼放射科医师(S.N.)的培训和监督下,对内部和外部测试集的标签进行人工验证和校正。验证过程包括将提取的标签与原始报告进行比较。测试中不允许出现“不确定”标签,因此审阅了随访影像学检查以将每个标签明确归类为“真”(病理存在)或“假”(病理不存在)。

模型训练

模型训练使用PyTorch(版本2.4.0)实现[17]。对于每个解剖区域,我们训练了两种模型变体,二者仅在训练和验证过程中如何处理不确定标签方面有所不同。在包容性模型中,标签提取过程中所有原本标记为“不确定”的标签(例如报告中的“可能骨折”等短语)均转换为“真”(存在发现),从而将不确定发现视为阳性病例。在排他性模型中,所有“不确定”标签均转换为“假”(无发现),从而将不确定发现视为阴性病例。总体而言,两种模型之间唯一的区别在于训练和验证数据集中对这些“不确定”标签的处理方式。所有其他参数和架构保持相同。确定的“真”和“假”标签在训练集和验证集中保持不变,所有测试集仅包含确定标签。每个模型基于改进的ResNet50架构[18]:原始1000类输出层被替换为新的全连接层,以输出对应于每个状况二分类(即存在或不存在)的logits向量。这些logits随后通过sigmoid激活函数转换为概率。对于肘部和拇指数据集(包含正位和侧位投影),每张图像通过独立的ResNet50网络处理,以恒等层作为最终层;其提取的特征向量在送入最终全连接层之前进行拼接。

我们使用AdamW优化器进行训练初始化,学习率为0.001。采用基于步进的调度器(StepLR),每七个epoch将学习率降低0.1。

预处理包括将图像调整为512 × 512像素,并使用随机翻转、旋转和颜色抖动进行增强。

测试集的最佳决策阈值在验证集上使用Youden指数法确定[19]。所有训练细节的汇总见补充表S1。

统计分析

统计分析使用R软件(版本4.3.1;R Project for Statistical Computing)和Python进行。标签提取性能使用两项指标评估:(1)标签级准确率,即所有报告中正确提取标签的比例;(2)报告级准确率,即所有标签均被正确提取的报告比例。模型性能指标包括准确率、灵敏度、特异度、受试者工作特征曲线下面积(AUC)以及精确率-召回率曲线。宏平均AUC值,即对每个标签计算的未加权AUC平均值,在内部和外部测试集中至少包含10个阳性病例的所有标签上进行计算。选择该阈值旨在在可靠AUC估计所需的足够样本量与全面的多标签评估之间取得合理平衡。DeLong检验[20]用于比较包容性模型与排他性模型之间以及内部与外部测试集之间的AUC值,使用R pROC包[21]。置信区间通过1000次bootstrap重复确定,并应用Benjamini–Hochberg校正[22]以考虑多重比较,显著性阈值设为p < 0.05。

结果

患者人口统计学信息详见表1。按数据集、拆分和模型类型划分的病变计数见补充表S2–S4。

标签提取过程按预期运行,该工具使用指定的JSON格式成功填写了模板。对于内部数据,锁骨报告达到了98.8%的标签级准确率(5988/6058)和78.5%的报告级准确率(183/233份报告,每份26个标签)。肘部报告达到了98.6%(21,294/21,605)和74.4%(554/745,每份报告29个标签),而拇指报告达到了99.0%(9731/9825)和85.5%(336/393,每份报告25个标签)。

在每个关节300份放射学报告的外部测试集中,标签提取性能同样强劲:对于锁骨,标签级准确率为98.6%(7687/7800),报告级准确率为72.7%(218/300)。对于肘部,准确率分别为98.4%(8564/8700)和71.3%(214/300),对于拇指,分别为98.1%(7354/7500)和73.7%(221/300)。

检测不确定标签构成了一项挑战。对于锁骨,人工识别发现3.9%(9/233)的报告存在不确定标签,但仅有两份(0.9%)被自动检测到。对于肘部,10.5%(78/745)的报告存在不确定标签,该工具识别出48份(6.4%)。对于拇指,9.7%(38/393)存在不确定标签,该工具识别出21份(5.3%)。在外部测试集中观察到类似趋势:不确定标签分别存在于5.3%(16/300;锁骨)、16.3%(49/300;肘部)和16.0%(48/300;拇指)中,其中提取流程检测到10份(3.3%)、26份(8.7%)和40份(13.3%)。

训练集和验证集中此类标签很少——锁骨42个、肘部492个、拇指231个(补充表S5)。

模型在各解剖区域达到了有竞争力的性能,但各标签的性能存在差异。图3展示了一组具有代表性的放射影像系列,用以说明模型在不同标签和解剖区域的性能。

表2–4详列了AUC值(针对n ≥ 10的标签)和DeLong检验的p值,而其他性能指标,即准确率、敏感性和特异性以及ROC和精确率-召回率曲线,可见于补充材料(补充表S6–S11;补充图S1–S3)。简言之,这些精确率-召回率曲线反映了类别不平衡的影响,稀有标签(如“听小骨”(肘部和拇指))尽管AUC值中等,但精确率在早期即出现陡降,而高患病率标签(如“骨折(所有位置)”(肘部和拇指))在更宽的召回范围内保持了较高的精确率。在所有区域中,两种模型变体均倾向于对稀有发现表现出高特异性但敏感性降低,尤其是对于细微或软组织相关异常。

对于锁骨,包含模型的宏平均AUC为0.80(范围0.59至0.95),排除模型为0.81(范围0.63至0.94)(p ≥ 0.49)。我们观察到常见发现——即阳性病例较多的标签——如“骨折(所有部位)”的AUC值较高。相比之下,较少见的发现AUC值中等,如特定骨折部位“中段三分之一骨折”,而对于罕见发现如“肩锁关节-关节间隙增宽”,性能更差。在各标签中,包含模型与排除模型之间的AUC值仅存在微小差异,表明对不确定标签的处理未显著影响模型性能。模型在外部队列中对常见发现保持了良好性能,而具有挑战性的标签(如“肿胀或血肿”)在内部和外部队列中性能均较弱。

对于肘部,包含模型的宏平均AUC为0.80(范围0.62至0.87),排除模型为0.80(范围0.61至0.88)(p ≥ 0.47)。同样,常见的骨折相关发现(如“桡骨头骨折”)具有较高的AUC值,而较少见的发现如“小骨片”在内部和外部测试集中AUC值较低且一致性较差。模型类型和数据集对性能指标无显著影响。

对于拇指,包含模型的宏平均AUC为0.76(范围0.59至0.91),排除模型为0.78(范围0.61至0.90)(p ≥ 0.65)。AUC值在关节退变相关标签中最高,包括腕掌关节和掌指关节,而检测骨折和软组织改变如“肿胀/指炎”的效率显著较低,无论模型类型或数据集如何。

虽然在比较模型类型和数据集来源时未观察到AUC的显著变化,但其他指标偶尔出现较大波动:对于某些标签,敏感度升高而特异度降低,或反之(例如,锁骨外部队列中的“移位”显示敏感度从80%到70%的变化,被特异度的相反变化所抵消)。然而,这些波动与Youden指数所施加的单一操作点有关。当将不依赖阈值的AUC与DeLong检验进行比较时,没有任何标签显示包含-排除或内部-外部之间存在显著差异。

表1 患者人口统计学特征按数据集(内部、外部)、分组和解剖区域分类 查看原表 ↗
图3 代表性放射影像系列,展示模型在不同标签和解剖区域上的性能。图中显示的是真阳性(TP;左)和假阴性(FN;右),标签标注在每組放射影像系列下方,每组包括正位(左)和侧位(右)投照。对于锁骨(CL),模型正确识别了一名患者的中段骨折(TP),并将另一名患者的骨折误分类为内侧段骨折(FN)。对于肘部(EL),模型准确检测了一名患者肱三头肌腱附着处的软组织钙化(TP),而漏诊了另一名患者的相同病变(FN),可能因其表现更模糊、更细微。对于拇指(TH),模型正确识别了一名患者的掌指关节退变(TP),而漏诊了另一名患者的病变(FN),可能由于固定的纽扣孔样畸形及掌骨的连续重叠。块箭头指示钙化,而箭头指示退变征象 查看原图 ↗
表2 使用自动提取标签训练的锁骨放射影像图像分类模型的性能 查看原表 ↗
表3 使用自动提取标签训练的肘部放射影像图像分类模型的性能 查看原表 ↗
表4 使用自动提取标签训练的拇指放射影像图像分类模型的性能 查看原表 ↗

讨论

本研究使用GPT-4o——一种最先进的大语言模型(LLM)——从上肢三个解剖区域(锁骨、肘部和拇指的放射影像)的自由文本放射学报告中自动提取标签。该LLM提取标签的准确率为98.1%至99.0%,这些标签被用于训练现成的多标签分类模型,其诊断性能具有竞争力和稳健性。然而,检测不确定标签的成功率较低,LLM仅识别出人工识别的不确定病例中的一部分,且标签不确定性未显著影响模型性能。

自动标签提取使我们能够快速组装训练数据,并为常见的骨相关标签构建可靠的分类器:“骨折”、“移位”及类似发现的AUC值 consistently 超过0.90。相比之下,软组织异常(如“肿胀”、“软组织肿块”)的性能明显较低。这些标签既更罕见,本质上也更难在放射影像上识别。阳性病例数量有限,加上参考标准报告中的主观性更大,为网络提供了更弱、更嘈杂的训练数据以供学习。结果,置信区间增宽,敏感度和特异度波动,且在包容性和排他性不确定性处理方案之间未出现统计学显著的AUC差异。

我们的结果证实了此前关于自动标注方法的研究。一种早期的典型方法是CheXpert标注器,这是一种基于规则的NLP工具,用于自动提取胸部X线报告中的标签并随后训练分类模型[8]。虽然CheXpert标注器和类似模型(如MIMIC-XCR标注器[23])为标注大型数据集提供了高效手段,但它们受限于复杂的语言、多变的报告风格以及否定和不确定性表述,导致标签不准确率高达10%[8, 10]。近年来,基于LLM的标签提取方法因其对自然语言的卓越理解而被证明更为准确[24]。Al Mohamed等人使用一种开放权重的LLM从踝关节X线报告中提取单一二分类标签,即是否存在骨折[13]。其报告级准确率为92%,显著高于本研究的多标签报告级准确率74%至86%。他们基于该标签训练的分类网络达到了0.93的AUC值,与我们在某些骨折标签上的性能相当。然而,他们的研究仅限于单一解剖区域,且未处理标签不确定性问题。

将我们的骨折分类结果与参考文献[15]中的Meta综述进行比较,我们注意到,经典骨折检测CNN报告的汇总AUC为0.97,略高于我们在锁骨骨折中达到的0.95,但该结果是通过手工整理的数据集和仅关注单一或极少数标签的模型获得的。相比之下,我们的方法处理的是一个全面的多标签预测任务,涉及三个上肢区域(锁骨、肘部和拇指),每个区域涵盖超过25个不同标签,包括骨相关和软组织相关发现。这些区域的成像频率远低于例如胸部。因此,本研究的主要附加价值在于方法学层面:通过将基于LLM的标签提取与常规放射学报告相结合,我们证明即使对于成像稀疏的解剖区域和广泛的临床相关发现(而非仅骨折),也能快速训练出具有竞争力的分类器。

处理不确定性被证明具有挑战性。尽管我们旨在根据相关文献[14]标准化不确定性术语,并在提示中提供了示例,但LLM识别出的不确定性术语少于人工识别的数量。总体而言,与其他研究[14]相比,真实标签中不确定性标签的出现率出乎意料地低。对不确定性的解读受个人偏好和经验、机构政策以及医疗保健系统相关情况的影响。例如,如果医疗法律环境更具诉讼倾向,如在美国,由于担心医疗事故诉讼,不确定性术语和模糊语言可能更为普遍[25]。然而,我们发现不确定性处理并未显著影响模型性能。与这一观察一致,Irivin等人报告称,将不确定性标签转换为阳性标签与阴性标签对诊断性能没有显著影响,但肺不张除外[8]。由于只有一小部分标签被标记为不确定性,包容模型与排他模型之间缺乏性能差异可能是由于统计效力有限,而非真正不存在效应。尽管如此,该发现也表明我们的分类器能够容忍适度水平的标签不确定性,而不会对性能产生可测量的影响。

本研究存在局限性。第一,尽管我们意图进行大规模分析,但由于严格的纳入标准,总体患者数量相对较少。某些标签的数据可用性不足,我们不得不排除测试集中病例数少于10例的标签。即便如此,某些标签的数据稀缺导致了较宽的置信区间,并可能造成了DeLong检验结果不显著。第二,我们纳入了德语报告;因此,使用较少见语言时结果是否成立值得质疑。第四,模型未提供用于模型可解释性的可视化输出。第五,未将使用自动提取标签训练后的模型性能与使用人工参考标签训练进行比较,因此基于LLM的错误标记的影响仍未被考虑。第六,LLM输出的固有非确定性使得复现结果困难。第七,尽管“可能”和“不太可能”这两个术语在诊断确定性和信心上有所不同,但模糊语言的低流行率使得无法可靠地细分为多个不确定性级别。因此,未来研究应优先考虑多机构合作,以汇集跨更多解剖区域、疾病、模态和语言的罕见及细微发现的多标签数据集,并纳入类激活图等可解释性工具以增强临床透明度。

总之,本研究表明,最先进的大语言模型(LLMs)能够以较高的总体准确率从放射学报告中提取诊断标签,并利用这些标签为锁骨、肘部和拇指等影像数据稀疏的解剖部位训练具有竞争力的多标签分类模型。与以往仅限于单一标签或区域的研究不同,我们的方法涵盖了广泛的骨与软组织表现,并纳入了一项不确定性处理分析,该分析显示其对性能的影响极小。通过实现将常规放射学报告全自动转换为结构化的多标签数据集,该工作流程为跨机构快速模型开发和微调提供了一条可扩展的路径。随着多机构扩展、对其他模态和语言的适应以及可解释性工具的整合,它有潜力支持放射学中临床透明且可广泛部署的人工智能。

电子补充材料

电子补充材料

引用

  1. Kreutzer H, Caselitz AS, Dratsch T, et al. Large language model-based uncertainty-adjusted label extraction for artificial intelligence model development in upper extremity radiography. Eur Radiol. 2025. PMID: 41236656. doi:10.1007/s00330-025-12102-1
  2. 全文:PMC13035556(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13035556/

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。