Lexomics：基于大语言模型的放射学报告信息提取新范式及其临床价值

　　本研究针对放射学报告中大量非结构化文本信息未能充分利用的问题，通过应用大语言模型（LLMs）开展lexomics（文本组学）研究，实现了对放射学报告中隐藏文本模式的自动化提取。研究证实LLMs能够辅助放射医生进行实时诊断优化、结构化报告生成和危急值识别，显著提升了放射学报告在临床决策支持（CDS）和电子健康记录（EHR）整合中的价值。该研究为人工智能在放射学文本分析领域的应用提供了重要范式。

　　

在人工智能医疗应用快速发展的今天，放射学领域正经历着从图像分析到文本挖掘的技术变革。虽然放射组学（radiomics）技术已成功从医学图像中提取出人眼难以识别的定量特征，但作为放射科工作最终产物的诊断报告——这些蕴含丰富临床信息的文本数据——却尚未被充分挖掘。放射学报告不仅包含影像学描述，更整合了临床、生化甚至遗传数据，是连接影像发现与临床决策的关键桥梁。然而，非结构化的自由文本报告、术语使用差异以及海量信息处理难度，使得其中隐藏的疾病模式、特征关联和临床洞察难以被有效利用。

正是在这样的背景下，Teodoro Martín-Noguerol团队在《International Journal of Computer Assisted Radiology and Surgery》上发表了这项开创性研究，提出了"lexomics"（文本组学）这一全新概念。与专注于图像分析的放射组学不同，lexomics致力于通过大语言模型（Large Language Models, LLMs）和自然语言处理（Natural Language Processing, NLP）技术，从放射学报告中提取有价值的文本信息，从而增强临床决策支持能力和患者管理水平。

研究人员采用基于Transformer架构的大语言模型对放射学报告进行深度分析，重点针对前列腺MRI报告构建自动化处理流程。技术方法主要包括：使用深度学习模型进行文本语义理解与特征提取；开发基于NLP的结构化报告转换系统；利用真实临床场景的放射学报告数据集进行模型训练与验证；集成电子健康记录（EHR, Electronic Health Records）系统进行多源数据融合分析。

主要研究结果：

实时诊断辅助与鉴别诊断优化

研究发现LLMs能够实时分析报告中描述性语言，帮助放射科医生优化类似病变之间的鉴别诊断。通过识别文本中的细微模式差异，模型可以提供鉴别诊断建议，减少诊断不确定性，特别有助于经验不足的放射科医生。

结构化报告自动生成

研究证实LLMs能够将非结构化的自由文本报告转换为标准化结构化格式，这不仅有利于报告标准化，还方便了历史报告的回顾性结构化和特定数据字段的提取，为研究、教育和培训提供了便利。

报告质量提升与冗余减少

模型能够自动生成基于发现的结论部分，减少重复性表述，避免模糊结论（如"详见上述发现"），显著提高了报告的清晰度和专业性。

重要发现识别与沟通

LLMs在识别和沟通相关及偶发发现（包括紧急和非紧急）方面表现出色，能够有效减少因工作负荷和工作流程中断导致的遗漏，确保重要发现及时传达给临床医生和患者。

多源数据整合能力

研究证明这些模型能够从既往放射学报告或临床EHR中提取和整合数据，实现了多时间点多来源信息的综合分析与利用。

研究结论表明，lexomics代表了人工智能驱动放射学的重大进展，通过优化报告利用和沟通方式，为放射科实践提供了更加便捷和高效的文本分析工具。与需要大量计算资源和专业知识的放射组学不同，lexomics基于广泛可用的文本挖掘技术，使其在临床和研究环境中更易实施。

讨论部分强调，尽管lexomics前景广阔，但仍需应对数据隐私、训练数据偏见缓解以及多样化临床场景中的验证等挑战。克服这些障碍将确保LLMs在放射学实践中的伦理和有效整合。未来研究应专注于开发特定领域的LLM模型（如针对放射学优化的基于Transformer的模型），以产生更具临床相关性的结果，为放射科医生提供有意义的支持。

这项研究的重要意义在于开辟了放射学文本分析的新方向，证明通过大语言模型提取人类生成的放射学报告中的相关信息，能够显著提升放射学报告的整体价值，进一步巩固放射科在临床决策中的核心地位。