From radiology findings to artificial intelligence-powered impressions: A retrospective study on the comparative performance of recent large language models
Notice bibliographique
Résumé
Large language models (LLMs), a revolutionary breakthrough in Artificial Intelligence, can be leveraged to automatically generate the impressions for radiology reports, which usually requires time, effort, and training. Our objective was to evaluate the performance of five recent LLMs (GPT-4, GPT-4o mini, Gemini 1.5 – Pro, Gemini 1.5 – Flash, and Llama 3.1) for impression generation. In this retrospective study, 100 radiology reports were sampled (20 from each of the report-groups 0-400, 400-800, 800-1,200, 1,200-2,000, and 2,000–8,000 based on character count of findings section) from the publicly available “BioNLP 2023 report summarization” dataset (collected between 2001-2016, training subset of size 59,320 considered for sampling), sourced from PhysioNet. Then each of the five LLMs was zero-shot prompted to generate impressions using the findings from the sample. Generated impressions were evaluated: (a) subjectively for coherence, comprehensiveness, conciseness, and medical harmfulness by two radiology fellows and a large reasoning model (LRM) Gemini 2.5 – Pro, and (b) objectively using a composite accuracy metric (ROUGE-1, BLEU, and Cosine Similarity) against the original human expert-generated impressions. The LLMs were ranked according to the percentage agreement ranking of subjective scores and composite scores. Statistical tests (Friedman test and post-hoc Nemenyi test) were used to assess inter-model differences. The top-ranked models were Gemini 1.5 – Pro, GPT-4, and Gemini 1.5 – Flash. Performance varied across models for both human and LRM raters (Friedman test: Human P < 1.82 × 10⁻⁶; LRM P < 9.10 × 10⁻⁴⁰). Composite accuracy scores were significantly higher for the top three models (0.69, 0.68, 0.68) versus others (0.65; Nemenyi P < 1.11 × 10⁻¹⁶). The LRM aligned closely with human raters (2.15% complete disagreement) and identified all human-rated inaccurate impressions. Gemini 1.5 – Pro outperformed GPT-4, in terms of coherence, comprehensiveness, and medical harmfulness, at lower cost. Human and LRM evaluations were generally consistent, though the LRM was more conservative.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 tête enseignante, 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 ».