用于精简放射学报告的由粗到细个性化 LLM 印象
Coarse-to-Fine Personalized LLM Impressions for Streamlined Radiology Reports
AI总结：
本文提出由粗到细的开源 LLM 框架，结合机器学习与 RLHF，根据临床发现生成并个性化放射学报告印象，在大规模院内报告数据上微调 LLaMA 和 Mistral，以减轻医生负担并保持临床准确性。
摘要：
放射学报告中“Impression（印象）”部分的人工撰写是导致放射科医生倦怠的主要原因。为应对这一挑战，我们提出一种由粗到细的框架，利用开源大型语言模型（LLM），根据临床发现自动生成并个性化印象。该系统首先生成印象草稿，随后使用机器学习和基于人类反馈的强化学习（RLHF）对其进行优化，以契合不同放射科医生的风格，同时确保事实准确性。我们在来自芝加哥大学医学中心的大规模报告数据集上微调了 LLaMA 和 Mistral 模型。我们的方法旨在显著减少行政工作量、提高报告效率，同时保持高标准的临床精确性。
英文摘要：
The manual creation of the "Impression" section in radiology reports is a primary driver of radiologist burnout. To address this challenge, we propose a coarse-to-fine framework that leverages open-source large language models (LLMs) to automatically generate and personalize impressions from clinical findings. The system first produces a draft impression and then refines it using machine learning and reinforcement learning from human feedback (RLHF) to align with individual radiologists' styles while ensuring factual accuracy. We fine-tune LLaMA and Mistral models on a large dataset of reports from the University of Chicago Medicine. Our approach is designed to significantly reduce administrative workload and improve reporting efficiency while maintaining high standards of clinical precision.
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。
