arXiv 2508.116282025-08-15cs.CVcs.AI

ChatGPT-5 是否已准备好用于乳腺 X 线影像视觉问答？

Is ChatGPT-5 Ready for Mammogram VQA?

Department of Radiation Oncology, Winship Cancer Institute, Emory University School of Medicine（放射肿瘤科、Winship癌症研究所、埃默里大学医学院）

Qiang Li, Shansong Wang, Mingzhe Hu, Mojtaba Safari, Zachary Eidex, Xiaofeng Yang

阅读 PDF

arXiv 页面 ↗HTML 原文 ↗

AI总结：

本文系统评估 GPT-5 与 GPT-4o 在四个乳腺 X 线数据集上的 VQA 表现，发现 GPT-5 虽优于其他 GPT 版本但仍不及人类专家和专用模型，显示通用 LLM 在乳腺影像筛查中的潜力与不足。

摘要：

乳腺 X 线影像视觉问答（VQA）将图像解读与临床推理相结合，具有支持乳腺癌筛查的潜力。我们在四个公开乳腺影像数据集（EMBED、InBreast、CMMD、CBIS-DDSM）上系统评估了 GPT-5 系列和 GPT-4o 模型在 BI-RADS 评估、异常检测和恶性分类任务上的表现。GPT-5 始终是表现最好的模型，但仍落后于人类专家和领域专用的微调模型。在 EMBED 上，GPT-5 在 GPT 各版本中取得了密度（56.8%）、结构扭曲（52.5%）、肿块（64.5%）、钙化（63.5%）和恶性（52.8%）分类的最高分。在 InBreast 上，其 BI-RADS 准确率为 36.9%，异常检测为 45.9%，恶性分类为 35.0%。在 CMMD 上，GPT-5 的异常检测达到 32.3%，恶性准确率为 55.0%。在 CBIS-DDSM 上，其 BI-RADS 准确率为 69.3%，异常检测为 66.0%，恶性准确率为 58.2%。与人类专家估计相比，GPT-5 表现出较低的敏感性（63.5%）和特异性（52.3%）。尽管 GPT-5 在筛查任务中展现出有前景的能力，但在没有针对性领域适配和优化的情况下，其性能仍不足以用于高风险的临床影像应用。然而，从 GPT-4o 到 GPT-5 的巨大性能提升表明，通用大语言模型（LLMs）辅助乳腺 X 线影像 VQA 任务的潜力呈现出令人鼓舞的趋势。

英文摘要：

Mammogram visual question answering (VQA) integrates image interpretation with clinical reasoning and has potential to support breast cancer screening. We systematically evaluated the GPT-5 family and GPT-4o model on four public mammography datasets (EMBED, InBreast, CMMD, CBIS-DDSM) for BI-RADS assessment, abnormality detection, and malignancy classification tasks. GPT-5 consistently was the best performing model but lagged behind both human experts and domain-specific fine-tuned models. On EMBED, GPT-5 achieved the highest scores among GPT variants in density (56.8%), distortion (52.5%), mass (64.5%), calcification (63.5%), and malignancy (52.8%) classification. On InBreast, it attained 36.9% BI-RADS accuracy, 45.9% abnormality detection, and 35.0% malignancy classification. On CMMD, GPT-5 reached 32.3% abnormality detection and 55.0% malignancy accuracy. On CBIS-DDSM, it achieved 69.3% BI-RADS accuracy, 66.0% abnormality detection, and 58.2% malignancy accuracy. Compared with human expert estimations, GPT-5 exhibited lower sensitivity (63.5%) and specificity (52.3%). While GPT-5 exhibits promising capabilities for screening tasks, its performance remains insufficient for high-stakes clinical imaging applications without targeted domain adaptation and optimization. However, the tremendous improvements in performance from GPT-4o to GPT-5 show a promising trend in the potential for general large language models (LLMs) to assist with mammography VQA tasks.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。