P.121 Bridging the evidence gap: RAG-enabled LLMs in neuroimaging decision support
Notice bibliographique
Résumé
Background: Large language models (LLMs) offer potential for clinical decision support but may not fully adhere to current guidelines. Retrieval-augmented generation (RAG) may address this gap by dynamically incorporating external knowledge. This study evaluated LLM adherence with and without RAG to Canadian neuroimaging guidelines. Methods: A novel RAG framework was developed that integrated Canadian Association of Radiologists (CAR) Diagnostic Imaging Referral Guidelines with GPT-4o and o1 models. Clinical scenarios were curated to represent various central nervous system conditions, such as acute stroke, subarachnoid hemorrhage, and multiple sclerosis. Models were prompted with the clinical scenarios, and responses were scored for adherence to the CAR imaging recommendations. Results: Overall, 300 clinical scenarios were used to prompt each model. Adherence rates were 83.8% for GPT-4o, 94.0% for GPT-4o+RAG, 85.5% for o1, and 93.2% for o1+RAG. A Kruskal-Wallis test (H(3)=44.1, p<0.001) identified significant differences among models. Post-hoc comparisons showed RAG-enabled LLMs significantly outperformed standalone models (p<0.001). No significant differences were observed between GPT-4o and o1 without RAG (p=0.531), or between GPT-4o+RAG and o1+RAG (p=0.532). Conclusions: RAG integration significantly improved LLM adherence to Canadian neuroimaging guidelines, even when baseline models demonstrated moderate performance. Future work should validate and explore broader applications of RAG-enabled tools to advance evidence-based care.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,040 | 0,146 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».