隐私保护型开放权重大语言模型实现胰腺癌CT报告可切除性自动分类的多中心研究

　　本研究由来自多中心的研究团队开展，针对胰腺导管腺癌（PDAC）CT报告中关键影像学特征提取与NCCN可切除性判读的自动化需求，开发基于开放权重大语言模型（LLMs）的智能分析流程。结果表明，Gemma-2-27b-it与Llama-3-70b-instruct模型在内部验证中提取准确率达97-98%，可切除性判断准确率达91-93%，外部验证显示模型泛化性存在差异。该研究为医疗AI模型在保护数据隐私前提下的临床落地提供了重要实践依据。

　　

研究旨在评估开放权重大语言模型（Open-weight Large Language Models, LLMs）从自由文本影像报告中提取关键影像学特征并判断胰腺导管腺癌（Pancreatic Ductal Adenocarcinoma, PDAC）基于美国国家综合癌症网络（National Comprehensive Cancer Network, NCCN）指南的可切除性状态的效能。研究方法采用30份虚构报告构建提示词模板，使用100份额外虚构报告进行内部验证，并最终通过两家医疗机构2022年1月至2023年12月期间的200份真实报告进行测试。由两位放射科医生共同确定18项关键特征及可切除性状态的金标准。对Gemma-2-27b-it和Llama-3-70b-instruct模型的表现采用召回率（recall）、精确度（precision）、F₁-分数（F1-score）、特征提取准确度（extraction accuracy）和整体可切除性判断准确度（overall resectability accuracy）进行量化评估，统计方法包括McNemar检验和混合效应逻辑回归。

内部验证结果显示，Llama模型召回率显著高于Gemma（99% vs. 95%，p?p?>?0.05）。

结论表明，开放权重模型能够准确从自由文本PDAC报告中提取关键影像学特征并判断NCCN可切除性状态。尽管在内部数据中表现稳健，模型在外部数据上的性能有所下降，凸显了针对不同医疗机构进行特定优化的必要性。