chatgpt-4 zeigte in einer am 19. März veröffentlichten Studie eine hohe Genauigkeit bei der Analyse und Interpretation von Schilddrüsen- und Nieren-Ultraschallbildern Fortschritte in der Radiologie.

Forscher unter der Leitung von Dr. Laith Sultan vom Children's Hospital of Philadelphia berichteten, dass das große Sprachmodell eine genaue Bildsegmentierung durchführen und Läsionen im Ultraschall als normal oder abnormal klassifizieren könne.

„Diese Funktionen zeigen das Potenzial des Tools zur Verbesserung radiologischer Arbeitsabläufe durch Vorprüfung und Kategorisierung von Ultraschallbildern“, sagte Sultan AuntMinnie.com. „Wenn diese Technologie in der klinischen Praxis umgesetzt wird, wird sie ein großes Potenzial für die Verbesserung der Interpretation medizinischer Bilder und der Ergebnisse im Gesundheitswesen haben.“

Während Ultraschall ein vielseitiges Instrument ist, das in verschiedenen Umgebungen innerhalb und außerhalb der Radiologie eingesetzt werden kann, handelt es sich aufgrund der Einführung des Point-of-Care-Ultraschalls (POCUS) immer noch um eine benutzerabhängige Modalität.

KI-Algorithmen sollen Radiologen und andere Ärzte, die Ultraschall bei der Bildinterpretation verwenden, unterstützen und die Arbeitsbelastung verringern. ChatGPT und andere große Sprachmodelle werden weiterhin auf ihren klinischen Nutzen untersucht, wobei die Forscher ihr Potenzial und ihre Benutzerfreundlichkeit hervorheben.

Sultan und Kollegen testeten die Leistung von ChatGPT-4, der neuesten Version von ChatGPT, bei der Analyse von Schilddrüsen-Ultraschallbildern.

In einem Test analysierte das Team einen Schilddrüsenknoten auf der Ultraschallbildgebung mithilfe des großen Sprachmodells. Es forderte ChatGPT-4 auf, die Läsion auf dem Bild zu finden und zu markieren und eine Differentialdiagnose zu stellen. ChatGPT-4 platzierte erfolgreich ein Kästchen um die Läsion und lieferte eine Liste mit Differenzialdiagnosen für den umrissenen Knoten, berichtete das Team.

Darüber hinaus beauftragten die Forscher ChatGPT-4 mit der spezifischen Darstellung der Schilddrüse und der Läsion, für die das Modell eine Segmentierung „mit hoher Genauigkeit“ durchführte.

In einem weiteren Test wies das Team ChatGPT-4 an, Bilder mit normalen Befunden zu identifizieren und sie von solchen mit Auffälligkeiten zu unterscheiden. Es wurde berichtet, dass das Modell Fälle mit hoher Genauigkeit klassifizieren und Beschreibungen von Befunden und Diagnosen in den Bildern liefern könne.

Sultan sagte, dass die Ergebnisse zwar vielversprechend seien, es aber Schlüsselfaktoren gebe, die für zukünftige Verbesserungen berücksichtigt werden müssten.

„Ein manuelles Tool zur Bildsegmentierung könnte den Nutzen erheblich steigern. Darüber hinaus könnten potenzielle technische Herausforderungen wie ChatGPT-Benutzerlast, Internetkonnektivität und begrenzte Speicherkapazität auftreten“, sagte er AuntMinnie.com. „Andererseits liegen die Stärken in seiner Benutzerfreundlichkeit und Zugänglichkeit, was ChatGPT-4 zu einem potenziell wertvollen Aktivposten für die Rationalisierung radiologischer Arbeitsabläufe in der Zukunft macht.“

Sultan fügte hinzu, dass die Forscher eine umfangreiche Studie durchführen, die umfassende Daten für die Bildanalyse umfasst.

„Die Ergebnisse dieser Studie werden mit einer etablierten Software verglichen“, sagte er. „Darüber hinaus haben wir ein Projekt initiiert, das sich auf die Bewertung der Wirksamkeit von GPT-4 bei der Verbesserung der Qualität radiologischer Berichte konzentriert.“

Die vollständige Studie finden Sie hier Hier.