大语言模型在放射学应用的研究进展.docxVIP

大语言模型在放射学应用的研究进展

【摘要】大语言模型(LLMs)是指使用大量文本数据训练的深度学习模型，可以生成自然语言文本或理解语言文本的含义。LLMs推动了自然语言处理领域的不断发展和进步。近年来LLMs与放射学的结合革新了放射学临床实践的各个方面，正在成为放射科医师和医学界的宝贵工具和研究热点，具有较好的临床应用前景。本文阐述了LLMs的概念、发展历史以及特性，并从放射学领域内LLMs的临床、科研、教育及患者友好等方面的应用、局限性、未来研究方向进行综述，为临床实践及科研提供一定参考和建议。

【关键词】人工智能；大语言模型；自然语言处理；放射学；ChatGPT

近年来，随着医疗保健领域数字化转型的加速，放射学作为技术驱动力最强的医学专业之一一直处于科技变革的前沿。过去2年，人工智能(artificial

intelligence,AI)取得了显著进步，其中最引人注目是大语言模型(large1anguagemodel,LLMs)的应用，作为自然语言处理(naturallanguageprocessing,NLP)的一个重要研究方向，LLMs在放射学领域内具有广泛的用途并产生了深远影响，包括从回答医学影像技术检查流程问题到生成影像诊断报告，这重塑了放射科医师的日常工作实践[1]。同时也带来了一些LLMs自身固有的以及将其整合或应用于临床放射学实践的风险与挑战。本文概述了LLMs的发展历史、主要特征，总结了其在放射学临床实践、医学研究、医学教育和患者护理中的变革潜力并评估其局限性，最后预测了LLMs在放射学的发展方向。

一、LLMs概述

(一)LLMs的发展

LLMs是通过分析和生成大量文本数据的复杂算法，利用大量未标记的文本语料库并结合来自人类反馈的强化学习而构建，其能识别语言中的句法模式和上下文细微差别。LLMs在面对自由输入格式的开放式查询时，可以产生与人类语言非常相似的响应和输出[2-3],并能够用自然语言交谈、推理、理解上下文和解释复杂的信息。LLMs的价值在放射学领域中获得广泛认可[1,4]。

LLMs的起源可追溯至20世纪50年代，Georgetown-IBM实验成功演示了机器翻译[5]。1997年Hochreiter等[6]探索了递归神经网络和长短期记忆网络的复杂性，这些模型虽然具有创新性，但受到其结构的限制，参数量大且效率低，无法主动清除无效信息。2017年，Vaswani等[7]开创性地引入Transformer架构，Transformer是一种具有许多参数的先进神经网络架构，主要新颖之处在于其自身注意力机制[8],为LLMs的发展提供了重要的技术基础。2018年生成式预训练变换器(generativepre-trainedtransformer,GPT)和基于Transformer架构的双向变换器模型的发布标志着NLP领域的一个转折点，并迎来了LLMs时代。从此，LLMs在各个方向继续发展，在大众生活和医学领域里越来越受到欢迎[1,9]。2022年11月，OpenAI发布的ChatGPT引起了全世界的广泛关注，其可以通过简单的对话框来实现人机之间的问题回答、文稿撰写、语言翻译、代码生成、知识科普等多种功能，极大地推动了LLMs的运用与发展。2023年3月，GPT-4模型带着多模态理解能力的标志性进步问世，这是GPT系列中的最新模型之一，提供了更好的语言准确性、细致入微的理解以及跨语言和

上下文的适应性，相较于ChatGPT有了明显的进步。2025年2月，DeepSeek-R1以顶尖的中文理解和推理能力填补了国产LLMs的世界级空白，并显著降低前沿技术普惠应用的门槛。

与传统NLP模型相比，LLMs在性能与计算效率上实现了显著突破和提升。在性能突破方面，传统NLP模型具有任务专一性，需针对每项任务单独设计与微调，上下文处理能力弱，泛化能力有限，而LLMs通过Transformer架构、自身注意力机制以及大规模预训练，显著提升了长文本连贯性和分析能力与语义关联性，实现多任务泛化，并整合文本、图像输入，支持跨模态推理[7,10-12]。在计算效率提升方面，传统模型因序列计算难以并行化，导致训练耗时较长，推理延迟较高，而LLMs的自身注意力机制支持全并行计算，训练速度显著提升，通过模型压缩技术加速推理过程的同时能耗下降[7,13]。

总之，LLMs已成为理解和生成人类语言的有效工具，对社会和人类生活产生了多方面的深远