基于超声与钼靶报告及影像的大模型诊断性能评估

来源期刊：广州医药 | 70-76 发布时间：2026-01-20 收稿时间：2026/2/6 22:45:15 阅读量：51

作者：: 吕佳忆,

佟文娟,

林欣欣,

林雅丹,

王伟,

郭媛,

杨红,

关键词：: 大语言模型乳腺癌超声钼靶; large language model breast cancer ultrasound mammography

DOI：: 10. 20223 / j. cnki. 1000-8535. 2026. 01. 010

收稿时间：: 2025-04-13
修订日期：
接收日期：
引用总数：: 0

目的评估ChatGPT 4与Llama 3微调模型在乳腺癌诊断中的应用效果，特别是在超声、钼靶及超声联合钼靶的非结构化报告和影像诊断方面。方法回顾性收集了689例同时接受乳腺超声和钼靶检查的患者数据，比较两种模型在文本和图像模态下的诊断性能，并探讨乳腺密度对模型表现的影响。结果在文本模态下，微调Llama 3表现优异，联合诊断准确率达91.7%，优于ChatGPT 4的71.7%。图像模态中两模型准确率均低于70%，但ChatGPT 4灵敏度较高（78.3%），Llama 3特异度突出（98.3%）。分组分析表明，在非致密型乳腺中钼靶表现更佳，而致密型乳腺中超声诊断更具优势。结论大语言模型在医学图像处理和多模态整合方面仍需进一步优化，医学领域微调的大语言模型在处理非结构化临床文本方面具有潜力。

乳腺癌作为女性最常见的恶性肿瘤，其早期准确诊断对改善患者预后具有重要意义^［1］。在临床实践中，超声和钼靶检查作为乳腺癌筛查和诊断的核心影像学手段^［2］，各自展现出独特的优势与局限性。超声检查具有无辐射、可实时成像的特点，但其诊断准确性高度依赖操作者经验，且对微钙化灶的灵敏度较低^［3］。钼靶检查虽具备较高的空间分辨率，能够有效发现微小钙化和结构改变，但对致密乳腺组织的穿透力不足，同时存在辐射风险^［4］。这种互补又各有限制的技术特性，使得多模态联合诊断成为提升乳腺癌诊断准确性的重要方向，但同时也对医生的综合解读能力提出了更高要求。

当前临床影像诊断面临两大关键挑战：一方面，非结构化文本形式的影像报告虽然能够详细描述病变特征，但由于描述风格和术语使用的个体差异，导致报告解读存在显著的主观性和不一致性^［5］。另一方面，传统影像诊断高度依赖医生的主观判断，容易受到疲劳状态、经验差异和认知偏差的影响^［6］，特别是在复杂或边界性病例的诊断中，这种主观性可能导致诊断结果的显著波动。这些系统性挑战在很大程度上制约了乳腺癌诊断效率和准确性的持续提升。

随着人工智能技术的快速发展，大语言模型在医学影像诊断领域展现出巨大潜力^［7］。这类先进模型不仅能够有效处理非结构化文本数据，还能实现多模态信息的深度融合分析^［8］。通过海量临床数据的学习，大语言模型可以识别复杂的病变模式，提供稳定、一致的诊断建议，从而有效弥补传统诊断方法的不足^［9］。此外，乳腺组织密度作为影响诊断效果的关键因素^［10］，其差异性（致密型乳腺与非致密型乳腺）会显著影响影像特征的表现和识别难度，这要求诊断模型必须具备适应不同密度特征的泛化能力。

本研究旨在评估ChatGPT 4与Llama 3微调模型在乳腺癌多模态诊断中的临床应用价值。研究特别关注这些先进模型在处理超声、钼靶及其联合检查的非结构化报告和影像数据时的表现，并通过系统的密度亚组分析，全面评估模型在不同临床场景下的诊断效能，旨在为人工智能技术在乳腺癌精准诊断中的转化应用提供坚实的循证依据。

1 资料与方法

1.1 一般资料

本研究为回顾性研究，数据来源于中山大学附属第一医院和广州市第一人民医院，已获中山大学附属第一医院伦理委员会批准（伦审临［2022］061号），并豁免患者知情同意。采集的数据包括超声报告、钼靶报告、超声影像、钼靶影像及相应的病理结果。纳入标准：18岁及以上，有明确病理检查结果，拥有术前完整的超声和钼靶检查报告及影像数据。排除标准：缺乏完整影像或报告资料，影像质量欠佳无法进行准确分析，超声和钼靶检查前进行过穿刺活组织检查或放射治疗、化学治疗的患者。共收集2021年11月—2023年11月在上述医院同时接受乳腺超声和钼靶检查的患者共689例。所有患者数据在采集后均进行了匿名化处理，以保障患者隐私和数据安全。为了确保测试集在病理结果上保持平衡，我们从整体数据集中随机抽取了120例作为独立测试集，其中良性和恶性病变各60例（1∶1），其余样本则全部纳入训练集，用于对Llama 3模型进行微调。

1.2 模型构建与训练

本研究选用两种当前主流的大型语言模型——ChatGPT 4和Llama 3，评估其在乳腺癌诊断任务中的多模态表现。在图像评估任务中，分别采用支持图像输入的模型版本：ChatGPT 4V与Llama 3V。

在Llama 3的训练中，使用Llama-Factory工具^［11］，基于低秩适应（low-rank adaptation，LoRA）技术进行参数高效微调^［12］。LoRA通过引入低秩矩阵对模型权重进行调整，在显著降低计算资源消耗的同时，有效提升了任务特异度表现。模型微调过程基于本研究训练集开展，测评过程基于测试集开展。微调与测评均在文本、图像模态和超声、钼靶模态的不同组合下开展。

在文本任务中，模型接收非结构化的影像报告文本（包括超声或钼靶报告），学习从医学语言中提取关键诊断线索，完成良恶性判断。同时，文本模态下还包括影像多模态联合任务，即模型同时接收超声与钼靶两种报告信息，在统一输入框架中整合多源文本内容。在图像任务中，模型输入乳腺超声或钼靶图像，依据诊断指令生成判断结果。图像模态同样包含影像多模态联合任务，即模型同时处理两种模态的影像（如同一病灶的超声与钼靶图像），尝试在视觉层面整合信息，实现跨模态特征提取与融合判断。

训练过程中，模型角色统一设定为“影像科专家”，任务目标为“根据提供的报告或图像，判断病变为良性或恶性”。最终，将模型在不同数据模态与影像模态任务中输出的诊断结果，与实际临床病理结果进行比对，从而评估模型在乳腺癌良恶性分类中的性能与可靠性。该评估流程系统性地验证了多模态大模型在医学影像诊断任务中的适应性与应用潜力。流程设计见图1。

图 1 研究设计流程图

1.3 统计学分析

模型性能主要通过准确率（ accuracy，Acc）、灵敏度（sensitivity，Sen）和特异度（specificity，Spe）指标进行评估，具体计算公式为：准确率=（真阳性+真阴性）/（真阳性+假阳性+真阴性+假阴性）×100%，灵敏度=真阳性/（真阳性+假阴性）×100%，特异度=真阴性/（真阴性+假阳性）×100%。所有指标均以百分比形式表示。在密度分组分析中，我们采用双轨制评估策略：基于报告文本描述的密度信息对报告模态数据进行分组，同时依据乳腺影像报告和数据系统（breast imaging reporting and data system，BI-RADS）密度分级标准对图像模态数据进行独立分组。这种分组方法确保了报告分析和图像分析分别在与其来源相匹配的密度分类体系下进行评估。

2 结果

2.1 患者特征

本研究共纳入689例患者，其中训练集569例，患者年龄为（48.6±11.7）岁，测试集120例，患者年龄为（50.3±11.2）岁，见表1。训练集中包括327例良性病例和242例恶性病例，用于Llama 3模型微调。测试集中良性和恶性病例各60例，用于ChatGPT 4和Llama 3模型的最终测评。所有病例均经手术切除或细针穿刺活检获得病理诊断结果。

表1 患者的人口统计学和临床特征 [ ，n（%）]

指标	训练集	测试集
年龄（岁）	48.6±11.7 (18~84)	50.3±11.2 (25~84)
病理结果
良性	327 (57.5)	60 (50)
恶性	242 (42.5)	60 (50)
乳腺组织密度
非致密型	59 (10.4)	31 (25.8)
致密型	510 (9.6)	89 (74.2)

2.2 基于文本模态的诊断表现

在文本模态任务中，经过医学领域微调的Llama 3在诊断准确性上整体优于ChatGPT 4，见表2。在钼靶报告任务中，Llama 3的准确率达到了85.0%，明显高于ChatGPT 4的准确率（69.2%）。而在超声报告任务中，Llama 3的准确率为88.3%，同样优于ChatGPT 4的80.0%。

表2 不同大语言模型在文本模态诊断中的性能比较 %

测试类型	模型	准确率 (Acc)	灵敏度 (Sen)	特异度 (Spe)
钼靶	ChatGPT4	69.2 (83/120)	76.7(46/60)	61.7 (37/60)
	Llama 3	85.0 (102/120)	88.3 (53/60)	81.7 (49/60)
超声	ChatGPT4	80.0 (96/120)	86.7 (52/60)	73.3 (44/60)
	Llama 3	88.3 (106/120)	88.3 (53/60)	88.3 (53/60)
联合	ChatGPT4	71.7 (86/120)	91.7(55/60)	48.3 (29/60)
	Llama 3	91.7(110/120)	93.3 (56/60)	90.0 (54/60)

在文本的影像多模态联合任务中，Llama 3展现出更强的数据整合能力，其联合诊断准确率达到91.7%，高于其在单一模态下的表现（超声为88.3%，钼靶为85.0%）。相比之下，ChatGPT 4虽然在联合诊断中灵敏度提高至91.7%，但由于特异度下降至48.3%，导致整体诊断准确率低于其单一模态结果。

2.3 基于图像模态的诊断效能

在图像模态任务中，两个模型的表现整体低于文本模态，见表3。Llama 3在特异度方面表现更优，超声图像任务中达到81.7%，联合图像诊断更是达到98.3%，但其灵敏度较低，限制了整体效果。ChatGPT 4则在灵敏度方面表现突出，超声与联合图像任务中均为78.3%，但特异度偏低。

表3 不同大语言模型在图像模态诊断中的性能比较 %

测试类型	模型	准确率 (Acc)	灵敏度 (Sen)	特异度 (Spe)
钼靶	ChatGPT4	58.3 (70/120)	63.3 (38/60)	51.7 (31/60)
	Llama 3	56.7 (68/120)	40.0 (24/60)	73.3 (44/60)
超声	ChatGPT4	63.3% (76/120)	78.3 (47/60)	46.7 (28/60)
	Llama 3	62.5 (75/120)	43.3 (26/60)	81.7(49/60)
联合	ChatGPT4	62.5 (75/120)	78.3 (47/60)	46.7 (28/60)
	Llama 3	61.7% (74/120)	25.0 (15/60)	98.3 (59/60)

从图像的影像多模态联合任务看，联合诊断并未显著提升整体性能。ChatGPT 4在联合图像模式下的整体表现与其在超声图像单模态下接近，Llama 3虽在特异度上达到最高（98.3%），但灵敏度降至最低（25.0%），联合模态未体现出协同优势。

2.4 乳腺密度分组分析

在乳腺密度分组分析中，Llama 3在报告模态下表现最为优异，非致密型乳腺中，其联合诊断准确率达96.3%，钼靶报告准确率为88.9%，高于超声的81.5%，而在致密型乳腺中，报告联合诊断准确率为90.3%，其中超声（90.3%）优于钼靶（83.9%）。在图像模态下，模型整体准确率明显下降，非致密型组中，图像联合诊断准确率为54.8%，钼靶（54.8%）略优于超声（51.6%），致密型组中，整体准确率为64.0%，其中超声在致密型乳腺中表现出一定优势，联合图像模态并未在两个密度组中带来性能提升。见表4。

表4 Llama 3模型在不同乳腺密度亚组中的诊断准确性比较 %

模式	密度亚组	钼靶	超声	联合
报告	非致密型	88.9 (24/27)	81.5 (22/27)	96.3 (26/27)
	致密型	83.9 (78/93)	90.3 (84/93)	90.3 (84/93)
图像	非致密型	54.8 (17/31)	51.6 (16/31)	54.8 (17/31)
	致密型	57.3 (51/89)	66.3 (59/89)	64.0 (57/89)

ChatGPT 4在报告模态中也表现出明显的密度依赖性，非致密型组中钼靶报告准确率更高（88.9%），联合诊断准确率稍有提高（92.6%），致密型组中则是超声报告表现更佳（80.6%），联合诊断未见优势。在图像模态中，非致密型组中钼靶图像准确率为74.2%，优于超声图像的71.0%，而在致密型组中，超声图像（59.6%）优于钼靶图像（52.8%），联合诊断表现略有提升。见表5。

表5 ChatGPT 4模型在不同乳腺密度亚组中的诊断准确性比较 %

模式	密度亚组	钼靶	超声	联合
报告	非致密型	88.9 (24/27)	77.8 (21/27)	92.6(25/27)
	致密型	63.4 (59/93)	80.6 (75/93)	65.6 (61/93)
图像	非致密型	74.2 (23/31)	71.0 (22/31)	67.7 (21/31)
	致密型	52.8 (47/89)	59.6 (53/89)	61.8 (55/89)

3 讨论

本研究系统性评估了两种大型语言模型（ChatGPT 4与Llama 3）在乳腺癌影像学诊断中的能力，涵盖非结构化报告与图像两大数据模态，以及超声与钼靶两大影像模态，并进一步分析了乳腺组织密度对模型表现的影响。总体结果显示，模型在文本模态下的诊断性能显著优于图像模态，其中，经过医学领域微调的Llama 3在整体准确率与特异度方面表现更优，尤其在文本的影像多模态联合任务中展现出较强的整合能力，而ChatGPT 4在灵敏度方面更为突出，特别是在图像任务中对恶性病灶的识别表现较好。

ChatGPT 4由OpenAI开发，是一款多模态大型语言模型，具备强大的自然语言理解与生成能力^［13］，其视觉增强版本（ChatGPT 4V）可处理图文输入，实现跨模态信息分析。Llama 3是 Meta发布的开源大模型，具有高效的推理能力与良好的可扩展性^［14］，可用于医学领域进行定制化微调。
在报告模态中，Llama 3 通过LoRA微调展现出良好的诊断能力，特别是在文本联合诊断任务中表现稳定。这说明，经过医学领域适配的大模型更能准确理解并分类非结构化报告信息，从而降低误诊率。Liu等^［15］的研究也证实了经医学数据微调的大模型医学诊断领域具有更高的性能。相比之下，虽然 ChatGPT 4 未进行医学微调，但其在灵敏度方面仍表现优异，特别适合用于注重早期发现的高敏筛查场景，然而，其特异度较低，可能导致较高的假阳性率，增加患者焦虑和医疗资源负担，提示通用大模型在处理医学类文本时存在一定理解偏差或过拟合风险^［16］。

在图像模态中，两种模型的整体表现均不如文本模态。Yang等^［17］也提出大模型对图像数据的处理能力不如对文本数据。Llama 3在灵敏度上偏低，ChatGPT 4 则特异度不足，说明当前大模型在医学图像直接诊断方面仍面临挑战^［18］。图像多模态联合未带来性能提升，甚至可能因信息噪声或模型能力限制而影响诊断准确性^［19］。现有研究亦有类似发现，如Brin等^［20］指出 GPT-4V 在影像识别上虽具优势，但在病灶判读方面准确率较低；Horiuchi等^［21］研究亦显示，基于文本的诊断优于视觉输入，但均未超越放射科医生水平。

在超声和钼靶联合诊断中，Llama 3在文本多模态联合诊断中准确率明显提升，展现出较好的整合能力，而 ChatGPT 4 尽管灵敏度提升，但因特异度下降，整体准确率反而低于单模态，反映出其联合机制尚需优化。图像模态下，两种模型的多模态联合未产生协同效应，表明多模态联合诊断仍面临诸多挑战^［22］，包括数据预处理、模态间特征差异和跨模态对齐能力等问题。Wu等^［23］的研究指出，通过结合图像转文本技术，ChatGPT在甲状腺结节诊断中表现更为理想，提示未来模型发展方向可考虑引入结构化视觉中介，以充分释放语言模型在语义理解与逻辑推理方面的优势^［24］。

本研究亦探讨了乳腺密度对模型诊断性能的影响。结果显示，在非致密型乳腺中，Llama 3与ChatGPT 4在钼靶报告中的准确率较高（均为88.9%），且联合模态报告诊断准确率皆有提升。致密型乳腺由于致密组织对钼靶成像的干扰，使模型识别能力下降，超声报告成为更可靠的诊断依据，Llama 3与ChatGPT 4在此模态中均获得较高准确率（90.3%与80.6%）。在图像模态下，ChatGPT 4在非致密型乳腺中表现相对更佳（钼靶图像准确率为74.2%），而在致密型乳腺中两模型均表现不理想，但超声图像准确率普遍优于钼靶图像。这与临床经验一致：在致密型乳腺中，超声因其穿透能力及分辨力优势，更适合发现病灶，而钼靶在非致密型乳腺中的解剖分辨效果更佳^［25］。本研究结果可为基于乳腺密度的模型选择与应用场景提供依据。

本研究仍存在一定的局限性。首先，整体样本量有限，尤其在致密型与非致密型乳腺的亚组分析中，因此仍需更大规模、多中心的数据验证其泛化能力。其次，图像模态未引入结构化预处理流程或辅助视觉模块，可能限制了模型的学习与识别能力，未来可探索结合医学专用视觉骨干网络与端到端跨模态训练策略。最后，本研究任务设计为“良性或恶性”二分类，未涉及病灶亚型、分级或分子标志物预测，未来可进一步拓展至更精细化的分型任务，以提升临床实用价值。

综上所述，本研究验证了医学领域微调在提升大语言模型对非结构化临床文本诊断能力中的重要作用。Llama 3微调版本在文本多模态联合分析中的高准确性与稳定性，显示其在未来AI辅助放射学诊断系统中的潜在应用价值。同时，研究也揭示了当前多模态大模型在医学图像处理方面的短板，尤其是在图像联合与跨模态协同上的不足。未来研究可考虑进一步提升模型的多模态整合能力与图像诊断性能。

1、SHI%E2%80%83J%EF%BC%8CLI%E2%80%83J%EF%BC%8CGAO%E2%80%83Y%EF%BC%8Cet%E2%80%83al%EF%BC%8EThe%E2%80%83screening%E2%80%83value%E2%80%83of%E2%80%83%0Amammography%E2%80%83for%E2%80%83breast%E2%80%83cancer%EF%BC%9AAn%E2%80%83overview%E2%80%83of%E2%80%83%2028%E2%80%83%0Asystematic%E2%80%83reviews%E2%80%83with%E2%80%83evidence%E2%80%83mapping%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJ%E2%80%83%0ACancer%E2%80%83Res%E2%80%83Clin%E2%80%83Oncol%EF%BC%8C2025%EF%BC%8C151%EF%BC%883%EF%BC%89%EF%BC%9A102%EF%BC%8E

2、BEREMAURO%E2%80%83S%EF%BC%8CGIRIO-FRAGKOULAKIS%E2%80%83C%EF%BC%8E%0AImaging%E2%80%83techniques%E2%80%83in%E2%80%83breast%E2%80%83cancer%EF%BC%BBJ%EF%BC%BD%EF%BC%8ESurgery%0A%EF%BC%88Oxford%EF%BC%89%EF%BC%8C2024%EF%BC%8C42%EF%BC%8812%EF%BC%89%EF%BC%9A875-883%EF%BC%8E

3、CHETLEN%E2%80%83A%EF%BC%8CMACK%E2%80%83J%EF%BC%8CCHAN%E2%80%83T%EF%BC%8EBreast%E2%80%83%20cancer%E2%80%83%0Ascreening%E2%80%83controversies%EF%BC%9AWho%EF%BC%8Cwhen%EF%BC%8Cwhy%EF%BC%8Cand%E2%80%83how%E2%80%83%0A%EF%BC%BBJ%EF%BC%BD%EF%BC%8EClin%E2%80%83Imaging%EF%BC%8C2016%EF%BC%8C40%EF%BC%882%EF%BC%89%EF%BC%9A279-282%EF%BC%8E

4、COLEMAN%E2%80%83C%EF%BC%8EEarly%E2%80%83detection%E2%80%83and%E2%80%83screening%E2%80%83for%E2%80%83breast%E2%80%83%0Acancer%EF%BC%BBJ%EF%BC%BD%EF%BC%8ESemin%E2%80%83Oncol%E2%80%83Nurs%EF%BC%8C2017%EF%BC%8C33%EF%BC%882%EF%BC%89%EF%BC%9A%0A141-155%EF%BC%8E

5、MARGOLIES%E2%80%83L%E2%80%83R%EF%BC%8CPANDEY%E2%80%83G%EF%BC%8CHOROWITZ%E2%80%83%20E%E2%80%83%0AR%EF%BC%8Cet%E2%80%83al%EF%BC%8EBreast%E2%80%83imaging%E2%80%83in%E2%80%83the%E2%80%83era%E2%80%83of%E2%80%83big%E2%80%83data%EF%BC%9A%0AStructured%E2%80%83reporting%E2%80%83and%E2%80%83data%E2%80%83mining%EF%BC%BBJ%EF%BC%BD%EF%BC%8EAJR%E2%80%83Am%E2%80%83J%E2%80%83%0ARoentgenol%EF%BC%8C2016%EF%BC%8C206%EF%BC%882%EF%BC%89%EF%BC%9A259-264%EF%BC%8E

6、ANAND%E2%80%83A%EF%BC%8CJUNG%E2%80%83S%EF%BC%8CLEE%E2%80%83S%EF%BC%8EBreast%E2%80%83lesion%E2%80%83detection%E2%80%83for%E2%80%83ultrasound%E2%80%83images%E2%80%83using%E2%80%83maskformer%EF%BC%BBJ%EF%BC%BD%EF%BC%8ESensors%0A%EF%BC%88Basel%EF%BC%89%EF%BC%8C2024%EF%BC%8C24%EF%BC%8821%EF%BC%89%EF%BC%9A6890%EF%BC%8E

7、UH%E2%80%83P%E2%80%83S%EF%BC%8CSHIM%E2%80%83W%E2%80%83H%EF%BC%8CSUH%E2%80%83C%E2%80%83H%EF%BC%8Cet%E2%80%83al%EF%BC%8EComparing%E2%80%83%0Adiagnostic%E2%80%83accuracy%E2%80%83of%E2%80%83radiologists%E2%80%83versus%E2%80%83GPT-4V%E2%80%83and%E2%80%83%0Agemini%E2%80%83%20pro%E2%80%83vision%E2%80%83%20using%E2%80%83image%E2%80%83inputs%E2%80%83from%E2%80%83%20diagnosis%E2%80%83%0Aplease%E2%80%83cases%EF%BC%BBJ%EF%BC%BD%EF%BC%8ERadiology%EF%BC%8C2024%EF%BC%8C312%EF%BC%881%EF%BC%89%EF%BC%9A%0Ae240273%EF%BC%8E

8、SHAO%E2%80%83M%EF%BC%8CBASIT%E2%80%83A%EF%BC%8CKARRI%E2%80%83R%EF%BC%8Cet%E2%80%83al%EF%BC%8ESurvey%E2%80%83%20of%E2%80%83%0Adifferent%E2%80%83large%E2%80%83language%E2%80%83model%E2%80%83architectures%EF%BC%9ATrends%EF%BC%8C%0Abenchmarks%EF%BC%8Cand%E2%80%83challenges%EF%BC%BBJ%EF%BC%BD%EF%BC%8EIEEE%E2%80%83Access%EF%BC%8C%0A2024%EF%BC%8812%EF%BC%89%EF%BC%9A188664-188706%EF%BC%8E

9、ARUCCIO%E2%80%83L%EF%BC%8CCIRILLO%E2%80%83S%EF%BC%8CPOLESE%E2%80%83G%EF%BC%8Cet%E2%80%83al%EF%BC%8ECan%E2%80%83%0AChatGPT%E2%80%83provide%E2%80%83intelligent%E2%80%83diagnoses%E2%80%83%E2%80%83A%E2%80%83comparative%E2%80%83%0Astudy%E2%80%83%20between%E2%80%83%20predictive%E2%80%83%20models%E2%80%83%20and%E2%80%83%20ChatGPT%E2%80%83to%E2%80%83%0Adefine%E2%80%83a%E2%80%83new%E2%80%83medical%E2%80%83diagnostic%E2%80%83bot%EF%BC%BBJ%EF%BC%BD%EF%BC%8EExpert%E2%80%83Syst%E2%80%83%0AAppl%EF%BC%8C2024%EF%BC%88235%EF%BC%89%EF%BC%9A121186%EF%BC%8E

10、TRAN%E2%80%83T%E2%80%83X%E2%80%83M%EF%BC%8CKIM%E2%80%83S%EF%BC%8CSONG%E2%80%83H%EF%BC%8Cet%E2%80%83al%EF%BC%8EAssociation%E2%80%83%0Aof%E2%80%83longitudinal%E2%80%83mammographic%E2%80%83breast%E2%80%83density%E2%80%83changes%E2%80%83%0Awith%E2%80%83subsequent%E2%80%83breast%E2%80%83cancer%E2%80%83risk%EF%BC%BBJ%EF%BC%BD%EF%BC%8ERadiology%EF%BC%8C%0A2023%EF%BC%8C306%EF%BC%882%EF%BC%89%EF%BC%9Ae220291%EF%BC%8E

11、%E2%80%83ZHENG%E2%80%83Y%EF%BC%8CZHANG%E2%80%83R%EF%BC%8CZHANG%E2%80%83J%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0ALlamaFactory%EF%BC%9Aunified%E2%80%83efficient%E2%80%83fine-tuning%E2%80%83of%E2%80%83%20100%2B%E2%80%83%0Alanguage%E2%80%83models%EF%BC%BBC%EF%BC%BD%2F%2FProceedings%E2%80%83%20of%E2%80%83%20the%E2%80%83%2062nd%E2%80%83%0AAnnual%E2%80%83Meeting%E2%80%83of%E2%80%83the%E2%80%83Association%E2%80%83for%E2%80%83Computational%E2%80%83%0ALinguistics%EF%BC%88Volume%E2%80%833%EF%BC%9ASystem%E2%80%83Demonstrations%EF%BC%89%EF%BC%8E%0ABangkok%EF%BC%8CThailand%EF%BC%8EStroudsburg%EF%BC%8CPA%EF%BC%8CUSAACL%EF%BC%8C%0A2024%EF%BC%9A400%E2%80%93410%EF%BC%8E

12、VEASEY%E2%80%83B%E2%80%83P%EF%BC%8CAMINI%E2%80%83A%E2%80%83A%EF%BC%8ELow-rank%E2%80%83%20adaptation%E2%80%83%0Aof%E2%80%83%20pre-trained%E2%80%83large%E2%80%83vision%E2%80%83models%E2%80%83for%E2%80%83improved%E2%80%83lung%E2%80%83%0Anodule%E2%80%83malignancy%E2%80%83classification%EF%BC%BBJ%EF%BC%BD%EF%BC%8EIEEE%E2%80%83Open%E2%80%83J%E2%80%83%0AEng%E2%80%83Med%E2%80%83Biol%EF%BC%8C2025%EF%BC%886%EF%BC%89%EF%BC%9A296-304%EF%BC%8E

13、ZHANG%E2%80%83J%EF%BC%8CSUN%E2%80%83K%EF%BC%8CJAGADEESH%E2%80%83A%EF%BC%8Cet%E2%80%83al%EF%BC%8EThe%E2%80%83%0Apotential%E2%80%83and%E2%80%83pitfalls%E2%80%83of%E2%80%83using%E2%80%83a%E2%80%83large%E2%80%83language%E2%80%83model%E2%80%83%0Asuch%E2%80%83as%E2%80%83ChatGPT%EF%BC%8CGPT-4%EF%BC%8Cor%E2%80%83LLaMA%E2%80%83as%E2%80%83a%E2%80%83clinical%E2%80%83%0Aassistant%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJ%E2%80%83Am%E2%80%83Med%E2%80%83Inform%E2%80%83Assoc%EF%BC%8C2024%EF%BC%8C31%0A%EF%BC%889%EF%BC%89%EF%BC%9A1884-1891%EF%BC%8E

14、%E2%80%83%20HUANG%E2%80%83W%EF%BC%8CZHENG%E2%80%83X%EF%BC%8CMA%E2%80%83X%EF%BC%8Cet%E2%80%83al%EF%BC%8EAn%E2%80%83empirical%E2%80%83%0Astudy%E2%80%83of%E2%80%83LLaMA3%E2%80%83quantization%EF%BC%9Afrom%E2%80%83LLMs%E2%80%83to%E2%80%83MLLMs%0A%EF%BC%BBJ%EF%BC%BD%EF%BC%8EVis%E2%80%83Intell%EF%BC%8C2024%EF%BC%8C2%EF%BC%881%EF%BC%89%EF%BC%9A36%EF%BC%8E

15、LIU%E2%80%83X%EF%BC%8CLIU%E2%80%83H%EF%BC%8CYANG%E2%80%83G%EF%BC%8Cet%E2%80%83al%EF%BC%8EA%E2%80%83%20generalist%E2%80%83%0Amedical%E2%80%83language%E2%80%83model%E2%80%83for%E2%80%83disease%E2%80%83diagnosis%E2%80%83assistance%20%EF%BC%BBJ%EF%BC%BD%EF%BC%8ENat%E2%80%83Med%EF%BC%8C2025%EF%BC%8C31%EF%BC%883%EF%BC%89%EF%BC%9A932-942%EF%BC%8E

16、孙磊，汪安安，宋一敏，等．大语言模型在临床医学领域的应用、挑战和展望［J］．解放军医学院学报，2025，46（1）：50-60．

17、YANG%E2%80%83X%EF%BC%8CLI%E2%80%83T%EF%BC%8CSU%E2%80%83Q%EF%BC%8Cet%E2%80%83al%EF%BC%8EApplication%E2%80%83of%E2%80%83large%E2%80%83%0Alanguage%E2%80%83models%E2%80%83in%E2%80%83disease%E2%80%83diagnosis%E2%80%83and%E2%80%83treatment%0A%EF%BC%BBJ%EF%BC%BD%EF%BC%8EChin%E2%80%83Med%E2%80%83J%EF%BC%88Engl%EF%BC%89%EF%BC%8C2025%EF%BC%8C138%EF%BC%882%EF%BC%89%EF%BC%9A%0A130-142%EF%BC%8E

18、%E2%80%83%20SCHWARTZ%E2%80%83I%E2%80%83S%EF%BC%8CLINK%E2%80%83K%E2%80%83E%EF%BC%8CDANESHJOU%E2%80%83R%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0ABlack%E2%80%83box%E2%80%83warning%EF%BC%9ALarge%E2%80%83language%E2%80%83models%E2%80%83and%E2%80%83the%E2%80%83%0Afuture%E2%80%83of%E2%80%83infectious%E2%80%83diseases%E2%80%83consultation%EF%BC%BBJ%EF%BC%BD%EF%BC%8EClin%E2%80%83%0AInfect%E2%80%83Dis%EF%BC%8C2024%EF%BC%8C78%EF%BC%884%EF%BC%89%EF%BC%9A860-866%EF%BC%8E

19、ACOSTA%E2%80%83J%E2%80%83N%EF%BC%8CFALCONE%E2%80%83G%E2%80%83J%EF%BC%8CRAJPURKAR%E2%80%83P%EF%BC%8C%0Aet%E2%80%83al%EF%BC%8EMultimodal%E2%80%83biomedical%E2%80%83AI%EF%BC%BBJ%EF%BC%BD%EF%BC%8ENat%E2%80%83Med%EF%BC%8C%0A2022%EF%BC%8C28%EF%BC%889%EF%BC%89%EF%BC%9A1773-1784%EF%BC%8E

20、%E2%80%83%20BRIN%E2%80%83D%EF%BC%8CSORIN%E2%80%83V%EF%BC%8CBARASH%E2%80%83Y%EF%BC%8Cet%E2%80%83al%EF%BC%8EAssessing%E2%80%83%0AGPT-4%E2%80%83multimodal%E2%80%83performance%E2%80%83in%E2%80%83%20radiological%E2%80%83image%E2%80%83%0Aanalysis%EF%BC%BBJ%EF%BC%BD%EF%BC%8EEur%E2%80%83Radiol%EF%BC%8C2025%EF%BC%8C35%EF%BC%884%EF%BC%89%EF%BC%9A1959-%0A1965%EF%BC%8E

21、HORIUCHI%E2%80%83D%EF%BC%8CTATEKAWA%E2%80%83H%EF%BC%8COURA%E2%80%83T%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0AChatGPT%E2%80%99s%E2%80%83diagnostic%E2%80%83performance%E2%80%83based%E2%80%83on%E2%80%83textual%E2%80%83%0Avs%EF%BC%8Evisual%E2%80%83information%E2%80%83compared%E2%80%83to%E2%80%83radiologists%E2%80%99%0Adiagnostic%E2%80%83performance%E2%80%83in%E2%80%83musculoskeletal%E2%80%83radiology%0A%EF%BC%BBJ%EF%BC%BD%EF%BC%8EEur%E2%80%83Radiol%EF%BC%8C2025%EF%BC%8C35%EF%BC%881%EF%BC%89%EF%BC%9A506-516%EF%BC%8E

22、%E2%80%83%20SCHOUTEN%E2%80%83D%EF%BC%8CNICOLETTI%E2%80%83G%EF%BC%8CDILLE%E2%80%83B%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0ANavigating%E2%80%83%20the%E2%80%83%20landscape%E2%80%83%20of%E2%80%83%20multimodal%E2%80%83%20A%20I%E2%80%83%20in%E2%80%83%0Amedicine%EF%BC%9AA%E2%80%83%20scoping%E2%80%83%20review%E2%80%83on%E2%80%83technical%E2%80%83challenges%E2%80%83%0Aand%E2%80%83clinical%E2%80%83applications%EF%BC%BBJ%EF%BC%BD%EF%BC%8EMed%E2%80%83Image%E2%80%83Anal%EF%BC%8C%0A2025%EF%BC%88105%EF%BC%89%EF%BC%9A103621%EF%BC%8E

23、WU%E2%80%83S%E2%80%83H%EF%BC%8CTONG%E2%80%83W%E2%80%83J%EF%BC%8CLI%E2%80%83M%E2%80%83D%EF%BC%8Cet%E2%80%83al%EF%BC%8ECollaborative%E2%80%83%0Aenhancement%E2%80%83%20of%E2%80%83%20consistency%E2%80%83%20and%E2%80%83%20accuracy%E2%80%83%20in%E2%80%83%20US%E2%80%83%0Adiagnosis%E2%80%83%20of%E2%80%83thyroid%E2%80%83%20nodules%E2%80%83%20using%E2%80%83large%E2%80%83language%E2%80%83%0Amodels%EF%BC%BBJ%EF%BC%BD%EF%BC%8ERadiology%EF%BC%8C2024%EF%BC%8C310%EF%BC%883%EF%BC%89%EF%BC%9A%0Ae232255%EF%BC%8E

24、YIN%E2%80%83S%EF%BC%8CFU%E2%80%83C%EF%BC%8CZHAO%E2%80%83S%EF%BC%8Cet%E2%80%83al%EF%BC%8EA%E2%80%83%20su%20rvey%E2%80%83%20on%E2%80%83%0Amultimodal%E2%80%83large%E2%80%83language%E2%80%83models%EF%BC%BBJ%EF%BC%BD%EF%BC%8ENatl%E2%80%83%20Sci%E2%80%83%0ARev%EF%BC%8C2024%EF%BC%8C11%EF%BC%8812%EF%BC%89%EF%BC%9Anwae403%EF%BC%8E

25、王海霞，宋倩，郑国红，等．钼靶和超声多普勒结合血清肿瘤标志物诊断早期乳腺癌研究［J］．中国医学装备，2024，21（1）：82-87．