结合数据和知识的威力：GPT-4o 在预测肺癌淋巴结转移中作为机器学习模型的有效解释器
内容提要
研究表明，GPT-4在医学知识和临床应用中表现优异，特别是在乳腺癌病理报告的分类任务中，准确率达到84%。此外，研究探讨了大型语言模型在患者试验匹配和诊断中的潜力，强调了提示工程的重要性和模型优化的需求。
延伸解读
GPT-4在医学任务中的表现与监督模型对比
文章指出，在769份乳腺癌病理报告的分类任务中，GPT-4的零样本分类能力与最佳监督模型LSTM-Att相当，平均宏F1得分为0.83对0.75。这表明在缺乏大规模标注数据时，GPT-4可作为一种有效的替代方案，减轻数据标注负担。但文章也强调，若有大规模标注数据，简单监督模型仍能提供可比结果，因此实际应用中需权衡数据可用性与模型选择。
多模态模型在病理诊断中的准确性与局限
研究采用多步骤评估法测试GPT-4-Vision-Preview在病理学诊断中的准确性，结果显示其正确诊断率约为84%。该方法通过结构化交互获取数据并进行领域特定分析，不仅适用于该模型，也可用于评估其他大型语言模型。然而，文章也揭示了模型在特定领域的不足，提示在临床部署前需进一步优化和验证。
不同模型系列的专长与短板
基于14个医学影像和放射学报告数据集的评估，Gemini系列在报告生成和病灶检测上表现出色，但在疾病分类和解剖学定位方面面临挑战；GPT系列则在病灶分割和解剖学定位上优异，却在疾病诊断和病灶检测上遇到困难。这种互补性说明单一模型难以覆盖所有临床任务，未来可能需要组合使用或针对性改进。
开源模型与专有模型的性能差距及微调潜力
在患者试验匹配任务中，开源模型经过有限和合成数据集微调后，性能可与专有模型相当，这为实际医疗部署提供了机会。但文章也指出，当前广泛使用的开源模型在零样本推理能力上表现不佳，与GPT-4和Claude 2相比存在差距。因此，微调是提升开源模型实用性的关键，但需注意数据质量和任务适配性。
Q&A
GPT-4在乳腺癌病理报告分类中的表现如何？
GPT-4在乳腺癌病理报告的分类任务中，准确率达到84%。
大型语言模型如何减轻数据标注的负担？
大型语言模型可以加快临床自然语言处理研究的执行速度，提高NLP变量和结果在临床观察研究中的利用率，从而减轻数据标注的负担。
研究中提到的多步骤评估法有什么意义？
多步骤评估法通过结构化的交互方式进行多模态LLM评估，旨在提高模型的准确性和实用性。
Gemini系列模型与GPT系列模型在医学应用上有什么区别？
Gemini系列模型在报告生成和病灶检测方面表现出色，但在疾病分类和解剖学定位方面面临挑战，而GPT系列模型在病灶分割和解剖学定位方面表现优异。
提示工程在大型语言模型中的重要性是什么？
提示工程对于提高大型语言模型在医疗决策中的可信度至关重要，尤其是在处理意外推理-响应不一致性时。
开源大型语言模型在患者试验匹配任务中的表现如何？
开源模型在有限和合成数据集上经过微调后，其性能与专有模型相当，显示出在实际医疗应用中的潜力。
