論文の概要: Automated Chest CT Protocol Selection via Large Language Model Derived Text Embeddings from Imaging Request Text

• arxiv url: http://arxiv.org/abs/2609.07986v1
• Date: Mon, 07 Sep 2026 21:05:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.523374
• Title: Automated Chest CT Protocol Selection via Large Language Model Derived Text Embeddings from Imaging Request Text
• Title（参考訳）: 画像要求テキストからの大規模言語モデル導出テキスト埋め込みによる胸部CTプロトコルの自動選択
• Abstract要約: キーワードやback-of-wordを使った事前機械学習手法では、文脈的理解が欠如し、まれなプロトコルでは不十分である。 本稿では,大言語モデル(LLM)機能を用いた意思決定支援システムを提案し,自由テキスト臨床テキストからプロトコルを推薦する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose: Accurate CT protocol selection is critical for diagnostic quality and patient safety, yet the current process is manual, time-consuming, and prone to inconsistencies. Prior Machine Learning methods using keywords or bag-of-words lack contextual understanding and perform poorly on rare protocols. We propose a decision support system using large language model (LLM) features to recommend protocols from free-text clinical indications, capturing clinical nuance and phrasing variation for more consistent, efficient selection. Methods: In this REB-approved retrospective study, 285,123 chest CT imaging requests from a large academic medical center (2017-2024) were split into training (228,099, 80%) and held-out test (57,024, 20%) sets. Each request included procedure names, clinical indication, HIS comments, and the selected protocol. Clinical text was embedded using a fine-tuned LLM, Meta's LLaMA-3.1-70B; these features input a logistic regression classifier predicting 18 protocol labels (e.g., PE, LDCT). Results: The pipeline achieved a weighted precision of 0.84, weighted F1-score of 0.81, and overall accuracy of 79% across 18 CT protocols. On 300 independent cases with expert consensus, the LLM reached an overall accuracy of 80% versus 83% for radiologists, with no significant difference (p = 0.263). Performance was comparable across most classes, with the LLM exceeding radiologists for some challenging categories, and entropy analyses indicated more balanced protocol use, suggesting reduced variability. Conclusion: An LLM-based recommendation system can leverage general knowledge from a large natural-text corpus to accurately assign chest CT protocols from free-text imaging requests, and may serve as a viable foundation for protocol recommendation tools where inputs require language understanding.
• Abstract（参考訳）: 目的: 正確なCTプロトコルの選択は, 診断の質と患者の安全性にとって重要であるが, 現状のプロセスは手作業であり, 時間がかかり, 不整合が生じやすい。 キーワードやback-of-wordを使った事前機械学習手法では、文脈的理解が欠如し、まれなプロトコルでは不十分である。 本稿では,大言語モデル(LLM)機能を用いた意思決定支援システムを提案する。 方法: 大規模大学医学センター(2017-2024)からの285,123例の胸部CT画像検査をトレーニング(228,099,80%)とホールドアウトテスト(57,024,20%)に分けた。 各要求には、手順名、臨床表示、HISコメント、選択されたプロトコルが含まれていた。 臨床テキストは、微調整されたLLM、MetaのLLaMA-3.1-70Bを使用して埋め込み、これらの特徴は18のプロトコルラベル(例えば、PE、LDCT)を予測するロジスティック回帰分類器を入力している。 結果: パイプラインの重み付き精度は0.84、重み付きF1スコアは0.81、全体的な精度は18個のCTプロトコルで79%であった。 専門的なコンセンサスを持つ300例において, LLMは放射線科医に対して80%, 83%の総合的精度に達し, 有意差は認められなかった(p = 0.263)。 LLMはいくつかの挑戦的なカテゴリで放射線学者を上回り、エントロピー分析によりプロトコル使用のバランスが良くなり、ばらつきの低減が示唆された。 結論: LLMベースのレコメンデーションシステムは、大きな自然言語コーパスからの一般的な知識を利用して、フリーテキストイメージング要求から胸部CTプロトコルを正確に割り当てることができ、入力が言語理解を必要とするプロトコルレコメンデーションツールの基盤として機能する可能性がある。

関連論文リスト

• Task-Based CT Protocol Optimization Using Reinforcement Learning and Virtual Imaging Trials [15.128815032056806]
  CT(Computerd tomography)におけるプロトコル最適化は,放射線線量削減を図り,画像品質の向上を目的としている。 効率的なCTプロトコル最適化のための強化学習を用いた仮想画像トライアルフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-10T15:00:41Z)
• Case-Specific Rubrics for Clinical AI Evaluation: Methodology, Validation, and LLM-Clinician Agreement Across 823 Encounters [3.018184429993625]
  スコアリングインスタンス毎のエキスパートレビューを必要とするメソッドは、安全で反復的なデプロイメントには遅すぎるし、コストも高くつく。 20人の臨床医が、プライマリケア、精神医学、腫瘍学、行動保健の823の患者に1,646個のルーブリックを作成した。 ケース固有のルーリックは、専門家の判断を維持しながら3桁のコストで自動化を可能にする、臨床AI評価のためのパスを提供する。
  論文  参考訳（メタデータ） (2026-04-27T17:17:56Z)
• Eligibility-Aware Evidence Synthesis: An Agentic Framework for Clinical Trial Meta-Analysis [49.83108591873481]
  EligMetaはエージェントフレームワークで、自動トライアル発見と、資格を意識したメタ分析を統合する。 フレームワークは、目標トライアル間の人口アライメントを反映した類似性に基づく研究重量を計算し、適性基準を構造化する。
  論文  参考訳（メタデータ） (2026-04-03T03:18:50Z)
• A Decade-Scale Benchmark Evaluating LLMs' Clinical Practice Guidelines Detection and Adherence in Multi-turn Conversations [60.2076951536797]
  大規模言語モデル(LLM)は、医療シナリオにますます多くデプロイされている。 LLMが会話中に臨床ガイドラインを特定・遵守できるのかは不明確である。 CPGBenchは、LSMの臨床ガイドラインの検出と付着能力をベンチマークする自動フレームワークである。
  論文  参考訳（メタデータ） (2026-03-26T09:00:55Z)
• HiPath: Hierarchical Vision-Language Alignment for Structured Pathology Report Prediction [5.151955122293638]
  HiPathは、凍結したUNI2とQwen3のバックボーン上に構築された軽量な病理ビジョン言語フレームワークである。 HiPathは749Kのリアル・ワールド・チャイニーズ・サイコロジー・ケースで訓練されており、68.9%の厳格さと74.7%の臨床的に許容できる精度を97.3%の安全率で達成している。
  論文  参考訳（メタデータ） (2026-03-20T13:58:02Z)
• DispatchMAS: Fusing taxonomy and artificial intelligence agents for emergency medical services [49.70819009392778]
  大規模言語モデル (LLM) とマルチエージェントシステム (MAS) は、ディスパッチを増強する機会を提供する。 本研究の目的は,現実的なシナリオをシミュレートする分類基盤型マルチエージェントシステムの開発と評価である。
  論文  参考訳（メタデータ） (2025-10-24T08:01:21Z)
• The Protocol Genome A Self Supervised Learning Framework from DICOM Headers [0.5076419064097734]
  Protocol Genomeは、DICOMヘッダーから相関を学習する自己教師型学習システムである。 また,CT,MRI,CXR,ベンダ間の校正やロバスト性も向上する。
  論文  参考訳（メタデータ） (2025-09-03T07:38:32Z)
• Evaluating Large Language Models for Zero-Shot Disease Labeling in CT Radiology Reports Across Organ Systems [1.1373722549440357]
  胸部,腹部,骨盤CTの多自由度ラベル付けのためのルールベースアルゴリズム(RBA),RadBERT,および3つの軽量オープンウェイトLCMを比較した。 コーエンのKappaとマイクロ/マクロ平均F1スコアを用いて評価した。
  論文  参考訳（メタデータ） (2025-06-03T18:00:08Z)
• Structured Outputs Enable General-Purpose LLMs to be Medical Experts [50.02627258858336]
  大規模言語モデル(LLM)は、しばしばオープンエンドの医学的問題に苦しむ。 本稿では,構造化医療推論を利用した新しいアプローチを提案する。 我々の手法は85.8のファクチュアリティスコアを達成し、微調整されたモデルを上回る。
  論文  参考訳（メタデータ） (2025-03-05T05:24:55Z)
• Exploiting prompt learning with pre-trained language models for Alzheimer's Disease detection [70.86672569101536]
  アルツハイマー病(AD)の早期診断は予防ケアの促進とさらなる進行の遅らせに不可欠である。 本稿では,AD分類誤差をトレーニング対象関数として一貫して用いたPLMの高速微調整法について検討する。
  論文  参考訳（メタデータ） (2022-10-29T09:18:41Z)
• WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic Segmentation for Lung Adenocarcinoma [51.50991881342181]
  この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。 第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
  論文  参考訳（メタデータ） (2022-04-13T15:27:05Z)
• Deep-learning based Tools for Automated Protocol Definition of Advanced Diagnostic Imaging Exams [0.0]
  自然言語処理(NLP)と深層学習(DL)を用いたMRI検査における自動順序ベースのプロトコル割り当ての有効性と効果について検討した。 APモードで予測される最上位のプロトコルは、それぞれ82.8%、73.8%、69.3%の"General"、"ACR"、"Local"のプロトコルクラスであった。
  論文  参考訳（メタデータ） (2021-05-28T18:50:04Z)

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。