Symptom-Only Localization of Brainstem Ischemia: Large Language Models vs. Neurologists in 109 Diffusion-Weighted Imaging–Positive Cases: A Retrospective Study (Preprint)
Notice bibliographique
Résumé
Background: Symptom-based localization of brainstem ischemia is challenging because of the anatomical complexity of the brainstem and the nonspecific overlap of clinical syndromes. Whether large language models (LLMs) can meaningfully assist in this task remains uncertain. Objective: This study aimed to compare the performance of several OpenAI LLMs and neurologists in localizing diffusion-weighted imaging (DWI)-confirmed brainstem ischemic lesions based on symptom descriptions alone. Methods: In this retrospective single-center study, 109 patients with DWI-confirmed acute brainstem ischemia were included. Three neurologists and 6 LLMs (GPT-5, GPT-4, GPT-4.1, GPT-4o, o3, and o3-pro) predicted lesion localization using a combined anatomical-lateral end point (left or right midbrain, pons, and medulla) based on symptom descriptions alone. Overall and regional accuracy, the Cohen κ, 6-class confusion matrices, and point-biserial correlations between symptom count and correct prediction were assessed. Because all raters evaluated the same cases, paired McNemar tests with Benjamini-Hochberg correction were used for pairwise performance comparisons. Results: GPT-4 and GPT-4o achieved the highest overall accuracy (61/109, 56%; 95% CI 46.1%-65.5%). Agreement with the DWI reference standard remained limited across all raters, with the Cohen κ reaching a maximum of 0.291 for GPT-4o. Confusion matrices showed that higher performance was driven mainly by pontine cases, whereas misclassification remained frequent in mesencephalic and medullary lesions. Regional analyses outside the pons were imprecise because mesencephalic and medullary subgroups each contained only 16 cases. A higher number of documented symptoms was associated with correct prediction for GPT-4, GPT-5, GPT-o3, and 1 neurologist. Conclusions: Although some LLMs showed higher relative accuracy than the participating neurologists, absolute performance remained limited and clinically insufficient. These findings are best interpreted as an exploratory benchmark under constrained conditions: absolute performance remained modest, agreement beyond chance was limited, and performance outside pontine lesions was inconclusive.
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 | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».