用于从放射学报告中自动提取危急发现的弱监督语言模型

放射学报告中的危急发现属于危及生命的情况，需要迅速传达给医生以对患者进行及时处置。尽管具有挑战性，但自然语言处理（NLP），尤其是大语言模型（LLMs）的进步，如今使得从冗长的报告中自动识别关键发现成为可能。鉴于带标注的危急发现数据稀缺，我们在 15, 000 份未标注的 Mayo Clinic 报告上实施了一种两阶段弱监督微调方法。该微调模型随后在内部（Mayo Clinic，n = 80）和外部（MIMIC-III，n = 123）测试数据集上自动提取危急术语，并对照专家标注进行了验证。使用 LLM 辅助指标 G-eval 和 Prometheus 在 5000 份 MIMIC-IV 报告上进一步评估了模型性能。人工评估和基于 LLM 的评估均显示，弱监督改善了任务对齐表现。该流程和模型已在学术许可下公开发布，可助力用于研究和临床用途的危急发现提取（https: //github. com/dasavisha/CriticalFindingsExtract）。