論文の概要: ChatGPT Assisting Diagnosis of Neuro-ophthalmology Diseases Based on
Case Reports
- arxiv url: http://arxiv.org/abs/2309.12361v1
- Date: Tue, 5 Sep 2023 00:44:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-01 12:46:29.565353
- Title: ChatGPT Assisting Diagnosis of Neuro-ophthalmology Diseases Based on
Case Reports
- Title（参考訳）: 症例報告に基づく神経眼科疾患の診断を支援するchatgpt
- Authors: Yeganeh Madadi, Mohammad Delsoz, Priscilla A. Lao, Joseph W. Fong, TJ
Hollingsworth, Malik Y. Kahook, Siamak Yousefi
- Abstract要約: 利用可能なオンラインデータベースから22種類の神経眼疾患の症例を選定した。
それぞれの症例のテキストを,ChatGPT v3.5とChatGPT Plus v4.0に新たなプロンプトとして挿入し,最も可能性の高い診断を求めた。
次に2人の神経眼科医に正確な情報を提示し,その診断結果と両バージョンのChatGPTとの比較を行った。
- 参考スコア（独自算出の注目度）: 1.4843690728082002
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Objective: To evaluate the efficiency of large language models (LLMs) such as
ChatGPT to assist in diagnosing neuro-ophthalmic diseases based on detailed
case descriptions. Methods: We selected 22 different case reports of
neuro-ophthalmic diseases from a publicly available online database. These
cases included a wide range of chronic and acute diseases that are commonly
seen by neuro-ophthalmic sub-specialists. We inserted the text from each case
as a new prompt into both ChatGPT v3.5 and ChatGPT Plus v4.0 and asked for the
most probable diagnosis. We then presented the exact information to two
neuro-ophthalmologists and recorded their diagnoses followed by comparison to
responses from both versions of ChatGPT. Results: ChatGPT v3.5, ChatGPT Plus
v4.0, and the two neuro-ophthalmologists were correct in 13 (59%), 18 (82%), 19
(86%), and 19 (86%) out of 22 cases, respectively. The agreement between the
various diagnostic sources were as follows: ChatGPT v3.5 and ChatGPT Plus v4.0,
13 (59%); ChatGPT v3.5 and the first neuro-ophthalmologist, 12 (55%); ChatGPT
v3.5 and the second neuro-ophthalmologist, 12 (55%); ChatGPT Plus v4.0 and the
first neuro-ophthalmologist, 17 (77%); ChatGPT Plus v4.0 and the second
neuro-ophthalmologist, 16 (73%); and first and second neuro-ophthalmologists 17
(17%). Conclusions: The accuracy of ChatGPT v3.5 and ChatGPT Plus v4.0 in
diagnosing patients with neuro-ophthalmic diseases was 59% and 82%,
respectively. With further development, ChatGPT Plus v4.0 may have potential to
be used in clinical care settings to assist clinicians in providing quick,
accurate diagnoses of patients in neuro-ophthalmology. The applicability of
using LLMs like ChatGPT in clinical settings that lack access to subspeciality
trained neuro-ophthalmologists deserves further research.
- Abstract（参考訳）: 目的:chatgptのような大規模言語モデル(llm)の効率を評価し,詳細な症例記述に基づいて神経眼疾患の診断を支援すること。
方法: 公開されているオンラインデータベースから22種類の神経眼科疾患の症例を選定した。
これらの症例は、神経眼科のサブスペシャリストによく見られる、幅広い慢性および急性の疾患を含んでいた。
それぞれの症例のテキストを,ChatGPT v3.5とChatGPT Plus v4.0に新たなプロンプトとして挿入し,最も可能性の高い診断を求めた。
次に2人の神経眼科医に正確な情報を提示し,その診断結果と両バージョンのChatGPTとの比較を行った。
結果: chatgpt v3.5, chatgpt plus v4.0, 2名の神経眼科医はそれぞれ13例 (59%), 18例 (82%), 19例 (86%), 19例 (86%) であった。
chatgpt v3.5とchatgpt plus v4.0, 13 (59%)、chatgpt v3.5と第1神経眼科医12 (55%)、chatgpt v3.5と第2神経眼科医12 (55%)、chatgpt plus v4.0と第1神経眼科医17 (77%)、chatgpt plus v4.0と第2神経眼科医16 (73%)、第1および第2神経眼科医17 (17%)である。
結論: 神経眼疾患の診断におけるchatgpt v3.5およびchatgpt plus v4.0の精度は, それぞれ59%, 82%であった。
さらなる発展に伴い、ChatGPT Plus v4.0 は、臨床医が神経眼科領域の患者の迅速かつ正確な診断を行えるように、臨床治療に使用される可能性がある。
ChatGPTのようなLLMを、特定の訓練を受けた神経眼科医にアクセスできない臨床環境に適用することは、さらなる研究に値する。
関連論文リスト
- LMOD: A Large Multimodal Ophthalmology Dataset and Benchmark for Large Vision-Language Models [38.78576472811659]
大規模視覚言語モデル(LVLM)は、解剖情報を理解し、眼疾患を診断し、解釈と追跡計画の作成を支援する可能性がある。
我々は、クローズドソース、オープンソース、医療ドメインの13の最先端のLVLM代表をベンチマークした。
その結果,眼科領域では他の領域と比較してLVLMが有意に低下した。
論文 参考訳（メタデータ） (2024-10-02T14:57:58Z) - GMAI-MMBench: A Comprehensive Multimodal Evaluation Benchmark Towards General Medical AI [67.09501109871351]
LVLM(Large Vision-Language Model)は、画像、テキスト、生理学的信号などの多様なデータタイプを扱うことができる。
GMAI-MMBenchは、よく分類されたデータ構造と、これまででもっとも包括的な一般医療用AIベンチマークである。
38の医療画像モダリティ、18の臨床関連タスク、18の部門、視覚質問回答(VQA)フォーマットの4つの知覚的粒度からなる284のデータセットで構成されている。
論文 参考訳（メタデータ） (2024-08-06T17:59:21Z) - A Role-specific Guided Large Language Model for Ophthalmic Consultation Based on Stylistic Differentiation [2.0671213754662343]
本研究では,眼科における大規模言語モデルであるEyeDoctorを提案する。
眼科相談においてEyeDoctorはより高い質問応答精度を達成できることを示す実験結果を得た。
論文 参考訳（メタデータ） (2024-07-26T03:23:31Z) - Potential of Multimodal Large Language Models for Data Mining of Medical Images and Free-text Reports [51.45762396192655]
特にGemini-Vision-Series (Gemini) と GPT-4-Series (GPT-4) は、コンピュータビジョンのための人工知能のパラダイムシフトを象徴している。
本研究は,14の医用画像データセットを対象に,Gemini,GPT-4,および4つの一般的な大規模モデルの性能評価を行った。
論文 参考訳（メタデータ） (2024-07-08T09:08:42Z) - Hidden flaws behind expert-level accuracy of multimodal GPT-4 vision in medicine [15.491432387608112]
GPT-4V(Generative Pre-trained Transformer 4 with Vision)は、医学的課題において、医師よりも優れる。
本研究は,GPT-4Vのイメージ理解の理論的根拠,医用知識の想起,ステップバイステップのマルチモーダル推論を包括的に分析することにより,現在の範囲を拡大する。
論文 参考訳（メタデータ） (2024-01-16T14:41:20Z) - Holistic Evaluation of GPT-4V for Biomedical Imaging [113.46226609088194]
GPT-4Vはコンピュータビジョンのための人工知能の突破口である。
GPT-4Vは,放射線学,腫瘍学,眼科,病理学など16分野にまたがって評価を行った。
以上の結果より,GPT-4Vは異常や解剖学的認識に優れていたが,診断や局所化は困難であった。
論文 参考訳（メタデータ） (2023-11-10T18:40:44Z) - Can GPT-4V(ision) Serve Medical Applications? Case Studies on GPT-4V for
Multimodal Medical Diagnosis [59.35504779947686]
GPT-4VはOpenAIの最新のマルチモーダル診断モデルである。
評価対象は17の人体システムである。
GPT-4Vは、医用画像のモダリティと解剖学を区別する能力を示す。
疾患の診断と包括的報告作成において重大な課題に直面している。
論文 参考訳（メタデータ） (2023-10-15T18:32:27Z) - The Case Records of ChatGPT: Language Models and Complex Clinical
Questions [0.35157846138914034]
臨床診断における大規模言語AIモデル GPT4 と GPT3.5 の精度について検討した。
GPT4, GPT3.5は1回の試行で26%, 22%, 3回の検行で46%, 42%の精度で正しい診断を行った。
論文 参考訳（メタデータ） (2023-05-09T16:58:32Z) - Benchmarking ChatGPT-4 on ACR Radiation Oncology In-Training (TXIT) Exam
and Red Journal Gray Zone Cases: Potentials and Challenges for AI-Assisted
Medical Education and Decision Making in Radiation Oncology [7.094683738932199]
The 38th American College of Radiology (ACR) radiation oncology in-training (TXIT) testと2022 Red Journal Gray Zone caseを用いた放射線腫瘍学におけるChatGPT-4の性能評価を行った。
TXIT試験では、ChatGPT-3.5とChatGPT-4はそれぞれ63.65%と74.57%のスコアを得た。
ChatGPT-4は、ブラキセラピーやドシメトリーよりも診断、予後、毒性が優れている。
論文 参考訳（メタデータ） (2023-04-24T09:50:39Z) - Evaluate underdiagnosis and overdiagnosis bias of deep learning model on
primary open-angle glaucoma diagnosis in under-served patient populations [64.91773761529183]
原発性オープンアングル緑内障(POAG)はアメリカにおける盲目の主要な原因である。
深層学習は眼底画像を用いたPOAGの検出に広く用いられている。
臨床診断における人間のバイアスは、広く使われているディープラーニングモデルに反映され増幅される可能性がある。
論文 参考訳（メタデータ） (2023-01-26T18:53:09Z) - Geometric Deep Learning to Identify the Critical 3D Structural Features
of the Optic Nerve Head for Glaucoma Diagnosis [52.06403518904579]
視神経頭(ONH)は緑内障の発生・進展過程において複雑で深い3次元形態変化を呈する。
我々は3D ONH点群から緑内障の診断にPointNetと動的グラフ畳み込みニューラルネットワーク(DGCNN)を用いた。
幅広い眼科疾患の診断・予後に臨床応用される可能性も高い。
論文 参考訳（メタデータ） (2022-04-14T12:52:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。