大语言模型辅助基于报告的颈动脉斑块AHA分类:多阅片者研究
该回顾性多阅片者研究纳入三中心433例患者,评估大语言模型辅助放射科医生从自由文本MRI报告推断改良AHA颈动脉斑块分类的能力。AI辅助提高了与文本参考标准的一致性,初级医生提升更明显;在提示中嵌入AHA标准后,8B小模型Qwen3-8B表现接近671B DeepSeek-R1。
要点
- AI辅助可显著提高报告文本到AHA分型的六分类一致性,初级医生获益更大。
- 嵌入AHA标准的提示策略使8B模型Qwen3-8B一致性从38.91%升至81.52%。
- DeepSeek-R1辅助下初级医生Type VI敏感度从60.9%升至88.7%。
核心结论
- 大语言模型辅助可改善放射科医生基于报告文本的改良AHA颈动脉斑块六分类与文本参考标准的一致性,初级医生获益更大。
- 当提示明确编码AHA标准时,8B本地候选模型表现良好,支持其作为文本工作流程标准化辅助工具的潜力。
研究设计与样本
- 回顾性研究,纳入三中心433例患者(866条颈动脉),参考标准为基于报告文本的专家共识改良AHA分类。
- 报告阅片者研究:4名放射科医生(2初级、2高级)在无AI和有AI辅助下分类MRI报告,AI辅助条件间设6周洗脱期。
- 独立评估:规则基线、Qwen3-8B(8B)和DeepSeek-R1(671B)等10个模型在朴素提示和标准引导提示下比较。
诊断标准与关键数值
- 血管水平六分类一致性:初级医生无AI 61.75%,Qwen3-8B辅助83.12%,DeepSeek-R1辅助87.75%(Holm校正p<0.001)。
- 血管水平六分类一致性:高级医生无AI 77.00%,Qwen3-8B辅助87.50%,DeepSeek-R1辅助92.25%(Holm校正p<0.001)。
- 患者水平一致性:初级医生从41.0%升至78.8%(DeepSeek-R1),高级医生从59.8%升至87.8%(DeepSeek-R1)。
- 二次加权κ:无AI 0.231 vs DeepSeek-R1辅助0.775。
- 独立评估:Qwen3-8B在标准引导提示下一致性81.52%(95%CI: 78.87-84.06%),低于DeepSeek-R1(87.41%,95%CI: 85.10-89.61%)5.89个百分点。
临床应用与阅片要点
- AI辅助可缩小初级与高级医生间的经验差距,血管水平差距从15.25个百分点降至4.38(Qwen3-8B)和4.50(DeepSeek-R1)。
- 无AI时主要错误为将Type VI斑块误分类为Type IV–V,AI辅助下初级医生该错误减少76.1%,但需警惕自动化偏倚。
- Qwen3-8B辅助下平均解读时间31.9秒/例,比无AI的35.6秒/例缩短10.4%;DeepSeek-R1因推理延迟增至60.0秒/例。
局限性
- 本研究为回顾性设计,且以单中心为主(Center A占86.8%),外部中心样本量有限(Center B 28例、Center C 29例)。
- 参考标准为基于报告文本的共识分类,而非影像或病理金标准。
- 模型性能依赖原始报告的完整性和一致性,不同阅片者和机构间可能存在差异。
全文中译12 节 · 点击展开
引言
约五分之一短暂性脑缺血发作或卒中患者存在颈动脉粥样硬化斑块[1–3]。识别具有斑块内出血等高风险特征的易损斑块对于预防脑血管事件至关重要[4, 5]。基于高分辨率磁共振成像(HRMRI)的改良美国心脏协会(AHA)分类为斑块成分提供了标准化的风险分层框架[6–9],根据组织成分(富含脂质的坏死核心、纤维组织、钙化、出血等)和多序列MRI信号特征所反映的表面完整性,将斑块分为六个操作类别。VI型斑块(伴斑块内出血和/或表面破损)与缺血风险显著增加相关[5, 10, 11]。然而,AHA分类的标准化实施仍然有限[12]:与管腔狭窄评估涉及单一定量指标不同,该过程需要医师整合多序列、多发现的信息并应用分层标准以确定最终分型,构成较大的认知负荷。既往研究表明,放射科医师在识别单项影像学发现(如信号特征、纤维帽状态)时表现出较高的一致性,但在将这些发现整合为复合分类结论时一致性明显降低[13, 14],提示这种从影像学发现到分类结论的认知映射构成经验依赖性瓶颈[15, 16]。
由于该瓶颈主要发生在将报告描述转化为标准化标签的步骤,基于报告的方法可在该阶段直接进行干预。然而,模型性能仍依赖于原始报告的完整性和一致性,而后者可能因阅读者和机构而异。近期研究表明,大语言模型(LLM)可从自由文本放射学报告中提取结构化信息,并在多个领域执行标准化分类任务[17–20]。然而,通用模型仍难以在临床中部署,原因包括隐私担忧、计算成本以及输出可能难以一致地映射到预定义临床标准[21, 22]。迄今为止,尚无研究系统评估LLM辅助能否改善放射科医师基于报告的颈动脉斑块AHA分类推断。
为解决这一问题,我们评估了一种任务特定提示策略,该策略将修改后的AHA标准明确嵌入模型指令中,并将分类分解为两个可审计的步骤——先将信号描述映射到斑块成分,再应用分层标准以分配最终类型(标准引导提示(CGP))。该方法并非引入新的模型架构,而是一种务实的方式,旨在使输出与既定临床规则保持一致、使分类依据更易于审查,并减少对大型标注数据集的依赖。本研究设计为基于报告的文本到标签映射评估,即将自由文本报告中描述的影像学表现映射到标准化AHA分类。这项回顾性研究有两个目的。首先,在一项基于报告的阅片者研究中,我们评估了LLM辅助是否能提高放射科医师与基于文本的参考标准之间的六分类一致性,以VI型检出敏感性作为关键次要终点,并将与参考标准的一致性作为额外性能指标。其次,我们评估了当提示明确编码修改后的AHA标准时,一个开源小参数模型能否接近一个规模大得多的模型的分类性能。
材料与方法
研究设计与伦理声明
这项回顾性研究经同济大学附属上海市东方医院、淮安市第一人民医院和上海交通大学医学院附属第六人民医院伦理委员会批准(机构审查委员会批准号2024-KY-203 [K]),并根据《赫尔辛基宣言》豁免患者知情同意。我们查询了2023年1月至2024年9月期间在三家机构接受颈动脉HRMRI检查的连续患者(扫描仪来自Siemens Healthineers、Philips Healthcare、GE Healthcare和United Imaging;详细采集参数见表S1)。
初始查询确定了762例因缺血性卒中症状或筛查中发现的颈动脉异常而接受影像学检查的患者。排除有既往颈动脉干预史、严重图像伪影、严重全身性疾病或双侧血管均无斑块的患者(选择流程图见图1)。最终队列包括433例患者(分析单位:866条颈动脉血管)。所有HRMRI报告和数据均在当地医院服务器上去标识化。提示在来自A中心的50例患者的独立子集上开发和优化(与主要分析中的433例患者不重叠);来自A、B和C中心的433例患者的主要队列用于最终性能验证。A中心贡献了376例患者(86.8%),而B中心和C中心分别贡献了28例和29例患者;因此,这是一个以主要中心为主的队列,外部采样有限(整体研究工作流程见图2)。
参考标准的建立
参考标准为基于文本的共识参考标准,定义为“根据改良AHA分类标准,可从给定影像报告文本中推导出的最合理分类”。该标准旨在评估从报告描述到标准化分类的认知映射的一致性,而非直接反映影像或病理层面的疾病真实状态。由一名具有5年以上经验的放射科医师提取并去标识化颈动脉形态学描述后,两名阅片者独立进行分类评估,血管水平阅片者间一致性较高(96.42%;Cohen's κ = 0.95)。分歧通过共识讨论解决,任何仍未解决的病例由第三名具有20年临床经验的资深专家裁定。整体工作流程见图2a。
AI分类框架与提示策略
我们将轻量级Qwen3-8B指定为主要指标试验,DeepSeek-R1(671B)作为性能上限比较器,基于规则的文本提取方法作为下限基线。此外,我们还评估了另外八种不同参数规模的LLM作为探索性比较,包括开源通用模型、医学微调模型(MedGemma)和商业闭源模型(Gemini 2.5 Pro)(详细模型列表见表S2)。为符合报告指南,我们参考了医学影像人工智能清单(CLAIM)[23]。
为使模型输出与预设临床规则对齐,我们采用了一种任务特定的提示策略,将修改后的AHA分类标准明确嵌入提示中(CGP)。简言之,该提示策略要求以标准引导的两阶段推理:首先,分别解析左侧和右侧颈动脉报告,将MRI信号描述映射到可能的斑块成分和结构特征;其次,利用嵌入的修改版AHA标准、信号特征表和关键鉴别规则,依次排除不适用类型并确定每支血管的最终AHA分类。详细工作流程见图2b。除通过API访问的Gemini 2.5 Pro外,所有模型均部署在配备NVIDIA GPU的本地计算集群上。所有模型均使用temperature = 0.1和最大输出长度(max_tokens)= 8192,以尽量减少生成随机性并确保分类结果的可重复性。为进一步评估输出稳定性和跨语言一致性,Qwen3-8B的中英文双语评估和重复运行稳定性测试方法见表S15。
基于报告的人机协作研究与临床推理忠实度
为评估基于报告的文本到标签映射性能,四名放射科医师(两名初级(4–5年经验),两名高级(7–9年经验))参与了基于报告的阅片者研究,均未接受过专门的神经血管影像亚专科培训。所有阅片者首先在不使用AI辅助的情况下完成基线分类。在随后的AI辅助阶段,阅片者以平衡顺序分配到两组,仅基于报告文本对200例分层随机抽样患者进行AHA分类,分别遵循Qwen3-8B→DeepSeek-R1或DeepSeek-R1→Qwen3-8B顺序。两种AI辅助条件之间实施了6周的洗脱期。
本研究采用报告场景模拟设计:医师仅获得去标识化的自由文本报告而非原始图像,以纯粹量化AI辅助在“报告描述→标准化分类”认知映射阶段的获益。六分类总体一致性为预设主要终点,VI型检测敏感性为关键次要终点。总体工作流程见图2c。
临床推理忠实度评分(CRFS,1–5分制)评估分两个阶段进行。在本研究中,CRFS评分由三名具有10–20年临床经验的高级放射科医师完成。这些放射科医师仅参与CRFS评估,未参与提示设计、参考标准裁定、模型优化或人机协作阅片者研究。第一阶段,三名高级放射科医师独立对200例病例进行评分,以验证评估者间信度(ICC[1,2] = 0.917,95% CI:0.904–0.930)。基于这些令人满意的信度结果,第二阶段由上述三名评估者中的一名独立完成150例患者(300支血管)AI推理文本的正式CRFS评分。所有评估者对模型身份、提示策略和参考标准标签均设盲。
统计分析
预设的确证性比较包括:(1)AI辅助与无辅助条件下六分类一致性差异(主要终点);(2)AI辅助下VI型检出灵敏度的变化(关键次要终点)。其余分析(包括经验差距变化幅度、CRFS评分、判读时间等)作为描述性或探索性分析报告。由于本研究为回顾性连续队列研究,未进行正式的事前样本量或把握度计算。为评估主要终点比较的精确度,我们基于配对精确McNemar检验进行了事后敏感性分析,计算在给定不一致对数量的情况下,双侧α为0.05、把握度为80%时的最小可检测改善比例及相应的一致性差异。在血管水平,观察到的不一致对比例为22.5–34.2%, corresponding to a minimum detectable difference of approximately 6–8 percentage points。在患者水平,不一致对比例为35.0–50.5%, corresponding to a minimum detectable difference of approximately 11–14 percentage points。所有确证性比较观察到的效应量均超过相应的最小可检测阈值。鉴于每个病例包括双侧颈动脉且同一判读者在多种条件下提供分类,观察值并非完全独立;因此,在独立AI性能评估中采用患者水平聚类自举重采样(1000次迭代)计算95%置信区间(CI)。在判读者研究中,我们进行了血管水平和患者水平的一致性分析:血管水平将左右颈动脉视为独立的偏侧观察,而患者水平定义为两侧均正确分类。个体判读者的配对一致性比较使用精确McNemar检验;初级与高级医师之间的组水平主要比较使用带患者水平聚类的logistic广义估计方程(GEE)模型,血管水平模型额外校正偏侧性,组内方法比较额外校正判读者身份。AI辅助阶段的会话顺序效应作为事后分析使用logistic GEE模型评估,以分类正确性为二分类结局并进行患者水平聚类。模型包括AI模型、AI辅助会话、判读者身份、血管侧别以及AI模型与AI辅助会话的交互项,以检验不同AI模型的性能是否受AI辅助会话顺序的影响。为评估LLM输出的可重复性,我们进行了重复运行稳定性实验:Qwen3-8B在NP和CGP条件下分别独立运行三次,使用Fleiss' κ评估三次运行间的一致性。此外,将中文报告翻译为英文并重新输入模型,使用二次加权Cohen's κ评估中文与英文输入生成输出之间的一致性。所有报告的p值均为双侧,p < 0.05被认为具有统计学显著性;判读者研究中预设的主要比较分别在血管水平和患者水平使用Holm校正以控制多重比较误差。
结果
基线队列特征
最终研究队列包括433例患者(平均年龄65.9岁±13.4[标准差];男性248例,女性185例),共计866条可评估的颈动脉(图1)。该研究涵盖了不同疾病严重程度(详见表1)。
基于报告的阅片者研究
人工智能(AI)辅助提高了基于报告的分类结果与基于文本的参考标准之间的一致性(表2和补充表S12)。在血管水平的主要分析中,无AI辅助时,初级和高级放射科医生的平均一致性分别为61.75%和77.00%(图3a);在Qwen3-8B辅助下,分别提高至83.12%和87.50%,在DeepSeek-R1辅助下分别提高至87.75%和92.25%。与无AI相比,Qwen3-8B显著提高了两组的一致性,DeepSeek-R1较Qwen3-8B带来额外增益;所有组水平确证性比较经Holm校正后仍显著(均p < 0.001)。患者水平分析方向一致:初级放射科医生的一致性从41.0%提高至71.0%和78.8%,高级放射科医生从59.8%提高至80.2%和87.8%(图3b;均Holm校正p < 0.001)。在三种条件下,与参考标准的平均一致性(二次加权κ)在初级放射科医生中从0.041提高至0.603和0.714,在高级放射科医生中从0.421提高至0.722和0.836(表3)。AI辅助还缩小了经验差距:在血管水平,初级与高级放射医生之间的一致性差距从无AI时的15.25个百分点降至Qwen3-8B辅助下的4.38和DeepSeek-R1辅助下的4.50,加权κ差距分别从0.380降至0.119和0.122。基线时,高级放射科医生在血管水平和患者水平均优于初级放射科医生(补充表S12,均Holm校正p < 0.001)。个体阅片者水平结果与汇总分析方向一致:所有四名阅片者在AI辅助后均表现出与基于文本的参考标准之间六分类一致性的改善。在各个体阅片者中,血管水平一致性从无AI时的60.75–78.75%提高至Qwen3-8B辅助下的82.50–88.25%和DeepSeek-R1辅助下的87.25–93.75%。各条件下经验组内变异仍然较小(初级阅片者,1.0–2.0个百分点;高级阅片者,1.5–3.5个百分点)。详细的个体水平数据见补充表S7A和S8及图S5。对于Type VI检测,初级放射科医生的敏感度从无AI时的60.9%提高至Qwen3-8B辅助下的83.8%和DeepSeek-R1辅助下的88.7%,接近高级放射科医生的表现(表3和图S5)。在仅纳入中心A的敏感性分析中(排除外部中心病例),主要发现未改变:初级阅片者的血管水平一致性从62.37%提高至Qwen3-8B辅助下的83.78%和DeepSeek-R1辅助下的87.50%,高级阅片者分别从77.53%提高至88.70%和92.95%。所有配对AI辅助比较仍显著(p < 0.001;表S7B)。Qwen3-8B辅助下的平均判读时间(31.9秒/例)较无AI时(35.6秒/例)缩短10.4%,而DeepSeek-R1因模型推理延迟增至60.0秒/例(图3c和表S8)。医生对AI辅助实用性的评分中位数为4–5分(图3d)。对AI辅助会话顺序的事后分析显示,DeepSeek-R1仍优于Qwen3-8B(90.00% vs 85.31%,p < 0.001),而会话效应较小且不显著(88.12% vs 87.19%;差异,0.93个百分点;p = 0.325),模型差异未受AI辅助阅片顺序的显著影响(p = 0.437)。
误分类分析(图4)显示,在无辅助条件下,主要错误是将VI型斑块误分类为IV–V型,初级医师中有88个血管水平错误,高级医师中有58个。在DeepSeek-R1辅助下,初级医师中的这一错误减少至21个,降幅为76.1%。然而,自动化偏差的信号仍然存在。在初级医师的800次血管水平判读中,有33次判读(4.1%)在无AI时正确,但在AI辅助下变为错误;在高级医师中也观察到类似模式。这些错误主要集中在过渡性边界类别,最常见的是IV–V型被误分类为VI型(12/33)、I–II型被误分类为III型(6/33)以及VI型被误分类为IV–V型(4/33)。这些错误通常发生在报告措辞含糊、斑块信号特征重叠或分类边界不清晰的病例中。
独立AI性能评估
基于规则的方法达到了50.92%的六分类一致性。在朴素提示(NP)下,大多数小型模型表现不佳(例如,Qwen3-8B:38.91%)。当提示中明确编码AHA标准(CGP)时,所有模型均表现出一致性提高(图5a)。轻量级Qwen3-8B提高了42.6个百分点至81.52%(95% CI:78.87–84.06%),仍比DeepSeek-R1(87.41%,95% CI:85.10–89.61%)低5.89个百分点。商业闭源Gemini 2.5 Pro在CGP下达到84.30%,与若干开源模型相当(表S4)。各中心之间一致性存在差异(中心A:73–88%;中心B:52–73%;中心C:74–95%),CGP减少但未消除这种异质性。以Qwen3-8B为例,CGP下三中心一致性分别为82.05%、69.64%和86.21%;DeepSeek-R1的相应值分别为87.90%、73.21%和94.83%(补充表S4)。由于中心B和中心C样本量较小(分别为56和58条血管),这些估计仅为描述性。各中心的类别分布见补充表S3。Qwen3-8B在CGP下的重复运行显示出高输出稳定性,一致性高于NP(Fleiss‘ κ:0.91 vs 0.85)。在探索性中英双语分析中,CGP下的跨语言一致性也高于NP(Cohen’s κ:0.86 vs 0.73),详见补充表S15。对于重新分组的二分类任务,晚期病变检测的AUC较高,而VI型检测的AUC变异性更大[6, 24](图5b、c)。DeepSeek-R1在VI型检测中达到最高AUC(0.950),而Qwen3-8B对VI型的敏感性从NP下的0.4%提高到CGP下的80.1%。在CGP下,超过60%的推理输出达到CRFS评分≥ 4(图S4)。在Qwen3-8B中,CGP将低评分输出(评分≤ 2)从43.6%降至17.6%,并将较高评分输出(评分≥ 4)从34.5%提高至72.0%(表S6)。
讨论
在这项基于报告的阅片者研究中,大型语言模型辅助提高了与基于文本的参考标准的六分类一致性,在初级放射科医师中观察到更大获益。在血管水平上,初级与高级医师之间的一致性差距从无AI时的15.25个百分点降至使用Qwen3-8B时的4.38个百分点和使用DeepSeek-R1时的4.50个百分点。在独立评估中,提示中明确编码AHA标准使Qwen3-8B一致性从38.91%提高至81.52%,与DeepSeek-R1(87.41%)仍存在5.89个百分点的残余差距。综上所述,这些发现支持将明确的标准编码作为标准化基于报告的分类并使小型本地模型得以应用的实用策略(图6)。
错误模式分析有助于解释这种获益的来源。在没有AI辅助的情况下,主要错误是将VI型斑块分类为IV–V型,这是一个具有临床重要性的区分,因为VI型斑块通常比IV–V型斑块需要更密切的评估[4, 8]。AI辅助通过提供结构化推理框架,可能有助于将医生对隐性临床经验的依赖转变为更明确、可重复的逻辑过程。本质上,它将分类从主要依赖经验的任务转变为描述驱动的协作过程,这可能部分解释了漏诊VI型病变的大幅减少(76.1%)以及初级和高级阅片者之间经验差距的缩小[25, 26]。然而,AI辅助也在临界病例中引入了错误,例如IV–V型与VI型之间以及I–II型与III型之间的错误,这表明模型输出不应被视为自动化决策。未来的实施应包括界面级警告,提示AI输出仅为参考建议,最终分类需要医生独立判断,并配备诸如医生否决、对临界输出进行重点复核以及对AI不一致病例进行定期审核等保障措施。系统使用应限于基于报告的标准化辅助,而非自主诊断。任何未来的部署还应伴随本地治理和持续监测,包括对AI辅助报告和AI–医生不一致病例的定期审核,以符合多学会关于放射学AI实施的指南和可信赖医疗AI的FUTURE-AI框架[27, 28]。
我们的研究结果拓展了既往研究,那些研究显示大语言模型能够从自由文本报告中得出标准化放射学分类。Matute-González等[29]证明了这种文本到分类范式在LI-RADS分类中的可行性,但其研究规模较小、为单中心设计,且未采用交叉设计量化AI辅助对医师的增量效应。本研究拓展了我们既往已发表关于从脑部MRI报告生成诊断印象工作的概念框架[14],将基于报告的大语言模型应用从诊断印象生成扩展至改良AHA分类。本队列与参考文献14所报道的队列相互独立,无患者层面重叠。后者需要整合多序列MRI信号特征并应用分层排除标准,代表更高层次的认知整合。在我们的数据中,明确的标准编码而非仅模型规模是性能的主要决定因素。当提示编码了改良AHA标准时,Qwen3-8B接近更大模型,这一观察结果增强了较小模型作为实用候选方案的吸引力。同时,各中心间性能差异较大;然而,由于中心B和中心C样本量有限(分别为56和58条血管),这些差异可能部分反映了小样本导致的估计不稳定性。因此,该方法的跨中心适用性需要在更大的外部队列中进一步验证。在探索性双语分析中,CGP也显示出高于NP的中英文一致性(Cohen's κ,0.86 vs 0.73;表S15),提示对语言变异具有一定程度的稳健性,尽管仍需要在非中文报告中进行外部验证。Qwen3-8B每例减少3.7秒虽幅度不大,但在高通量工作流程中可能具有意义,而DeepSeek-R1将每例阅读时间从35.6秒增加至60.0秒,可能是由于生成速度较慢且推理输出较长需要医师审阅。根据Bluethgen等关于放射学LLM研究的最佳实践建议以及CLAIM清单[23, 30],我们提供了完整提示、标准表、模型信息、推理参数、输出稳定性测试和报告层面评估边界,以增强可重复性和透明度。近期一项对246项放射学LLM研究的系统综述发现,报告模型版本、温度和完整提示的研究不足一半[31];为支持可重复性,我们报告了所有模型规格和推理参数(补充方法S2和S5)。
本研究也存在重要局限性。第一,参考标准基于文本衍生的专家共识,阅片者研究仅限于仅报告设置。因此,研究结果反映的是文本到标签的映射性能,并受原始报告质量和完整性的约束;不应将其解释为图像级诊断准确性或下游临床改善的证据。第二,阅片者设计并非完全随机化:无辅助条件始终首先进行,以避免AI暴露对基线读片的污染,这可能导致学习效应对AI辅助的益处产生高估,而疲劳效应对其产生低估。此外,双侧血管以及同一阅片者在多种条件下重复评估意味着观察结果并非完全独立。尽管事后会话顺序分析显示无显著效应,但不能排除残余偏倚。第三,所有原始报告均为中文,队列以中心A为主(376/433例患者),外部验证样本有限。尽管初步的中英文分析显示在CGP下具有高度跨语言一致性(Cohen's κ = 0.86),但该分析涉及的是翻译报告而非独立撰写的非中文报告;因此,该方法的跨语言和跨机构泛化能力需要更大规模的外部验证。第四,未进行先验样本量计算,但事后敏感性分析显示所有确证性比较的观察效应量均超过最小可检测阈值(补充表S16)。此外,仅纳入四名阅片者,每个经验组两名阅片者,这限制了经验水平之间比较的统计稳健性。因此,正文中报告的初级与高级阅片者之间的差异应解释为观察到的阅片者层面模式。最后,正式CRFS评分由单一评估者完成,可能引入残余主观偏倚。这些局限性支持在更广泛临床实施之前,需要使用图像级终点进行前瞻性、多阅片者、多病例验证。
结论
本研究表明,在基于报告的分类设置中,LLM辅助可以提高放射科医师与基于文本的参考标准在颈动脉斑块AHA分类上的一致性,对初级放射科医师的增益更大。在提示中明确编码既定AHA标准使一个8B模型在该设置中达到有用性能,支持进一步评估可本地部署的工具以标准化基于文本的分类工作流程。
补充信息
电子补充材料
引用
- Wang M, Tang Y, Yang Y, et al. Large language model assistance for report-based carotid plaque AHA classification: a multi-reader study. Insights Imaging. 2026. PMID: 42886459. doi:10.1186/s13244-026-02421-2
- 全文:PMC13675435(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13675435/
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。