摘要

本文探讨了使用大型语言模型（LLMs）自动生成放射学报告简化文本的适用性。研究重点考察了链式思维（CoT）和自我修正提示机制在放射学报告简化中的应用，并提出了一种新的评估协议，该协议结合了放射科医生和非专业人士的评估，以验证简化文本的事实正确性和可理解性。实验结果显示，自我修正提示机制在生成高质量简化文本方面表现有效，为未来相关研究提供了重要参考。

原理

本文通过设计实验来评估链式思维（CoT）和自我修正（Self-Correction）两种提示策略在放射学报告简化中的效果。CoT方法要求LLMs在提供答案前先进行推理，而自我修正方法则要求LLMs先批评自己的初始响应，然后基于批评进行改进。这两种方法在多个应用中已被证明有效，但在放射学报告简化领域尚未得到充分评估。

流程

研究中使用了ChatGPT-3.5进行实验，通过不同的提示策略生成简化文本。具体流程包括：首先，使用简单提示（Plain）和链式思维提示（CoT）生成初始简化文本；然后，应用自我修正机制，通过四个不同的ChatGPT代理（生成器、放射科医生、患者和处理器）进行迭代反馈和改进，直到处理器判定无需进一步改进。整个流程模拟了真实世界中放射科医生和患者的互动，以生成高质量的简化报告。

应用

该研究提出的方法和技术在医疗领域具有广泛的应用前景，特别是在改善患者对复杂医疗报告的理解方面。通过自动生成易于理解的简化报告，可以增强医患沟通，提高患者参与度和治疗效果。此外，这种方法还可以减轻放射科医生的工作负担，提高工作效率。