自动转诊骨转移患者：是否使用大型语言模型

骨转移癌患者需及时干预防止神经并发症，但人工阅片易延误转诊。本研究对比规则匹配（RegEX）、GPT-4和NYUTron（BERT变体）三种NLP模型在骨转移癌筛查中的性能，发现RegEX模型在词汇识别（敏感度98.4%）和临床转诊（F1值0.936）上表现最优，验证了基于规则的自动化转诊系统可显著提升诊疗效率。

　　```section>

摘要 通俗语言总结

---

背景与目标：

骨转移每年影响超过4.8%的癌症患者，尤其是脊柱转移，需要立即干预以防止神经并发症。然而，目前手动审查放射报告的过程可能导致专科转诊的延迟。我们假设，使用自然语言处理（NLP）技术自动审查常规放射报告可以简化转诊流程，从而实现脊柱转移患者的及时多学科治疗。

方法：

我们评估了三种NLP模型：基于规则的正则表达式（RegEx）模型、GPT-4模型以及专门的Bidirectional Encoder Representations from Transformers（BERT）模型（NYUTron），用于自动检测和转诊骨转移病例。研究纳入标准为：患有活动性癌症且未接受过专科转诊的患者，这些患者接受了高级影像学检查（计算机断层扫描、磁共振成像或正电子发射断层扫描）。我们定义了两个任务：一是识别具有临床意义的骨转移相关术语（词汇检测），二是识别需要专科随访的病例（临床转诊）。模型开发过程分为两个阶段，第一阶段专注于脊柱转移，第二阶段扩展到所有类型的骨转移。使用3754份手动标注的影像学研究数据对模型进行了评估和比较。

结果：

在词汇检测方面，简单的正则表达式模型表现最佳（敏感性98.4%，特异性97.6%，F1分数0.965），其次是NYUTron模型（敏感性96.8%，特异性89.9%，F1分数0.787）。在临床转诊任务中，正则表达式模型同样表现优异（敏感性92.3%，特异性87.5%，F1分数0.936），其次是经过微调的NYUTron模型（敏感性90.0%，特异性66.7%，F1分数0.750）。

结论：

基于NLP的自动转诊系统能够准确识别需要专科评估的骨转移患者。与先进的NLP模型相比，简单的正则表达式模型在基于语法的识别和专家规则生成方面表现更优，从而更有效地推荐患者转诊。该系统有望显著减少漏诊情况，提高骨转移患者的及时干预效果。

通俗语言总结：骨转移，尤其是脊柱转移，需要迅速干预以避免并发症，但手动审查放射报告可能会延迟转诊过程。本研究测试了三种NLP模型来自动化转诊流程：基于规则的正则表达式模型、GPT-4模型和NYUTron（BERT模型）。通过分析3754份影像学研究数据，正则表达式模型在识别关键术语和推荐专科随访方面表现最佳，具有较高的敏感性和特异性。这表明，基于NLP的系统（尤其是使用正则表达式的系统）能够高效识别需要紧急治疗的患者，从而可能改善骨转移患者的诊疗时机。

本文本由机器生成，可能存在不准确之处。常见问题解答

```