利用大语言模型（LLMs）提升流式细胞术报告中的临床工作流程效率

《Journal of Clinical Immunology》：Enhancing Clinical Workflow Efficiency in Flow Cytometry Reporting with LLMs

准确解读临床免疫学检测结果的自动化报告系统研究。通过参数高效微调方法，在免疫细胞定量分析和B细胞亚群表型分类（QLP/BSP）数据集上训练LLM模型，对比检索式方法和专家诊断结果。实验表明LLM在异常细胞识别准确率（与专家相当）和亚群评论速度上无显著差异，但显著减少报告时间29%，为临床实验室效率提升提供技术方案。

　　

摘要

背景

准确解读临床检测结果对于诊断和管理复杂的免疫系统疾病至关重要。我们研究了大型语言模型（LLMs）在通过定量淋巴细胞分析和B细胞亚群分型（QLP/BSP）自动化生成免疫缺陷和免疫功能评估报告方面的潜力。

方法

我们使用参数高效技术对一个包含免疫表型检测结果及其相应解读报告的数据集进行了LLM的微调。将模型性能与基于检索的方法和专家病理学家的报告进行了比较。我们开发了一个新的自动化评估框架，用于评估细胞群体评论的准确性以及生成解读的临床相关性。还构建了一个定制应用程序来模拟临床工作流程，并测量其对病理学家工作效率和准确性的影响。

结果

经过微调的LLM在识别和评论异常细胞类型计数及频率方面的准确性可与专家病理学家相媲美，而基于检索的方法则存在较高的错误率。在评论细胞亚型异常的频率方面，LLM与病理学家之间没有显著差异。更重要的是，LLM显著减少了单个病理学家完成报告所需的时间，平均时间缩短了29%。

结论

我们的研究结果表明，LLM在提高临床实验室工作的效率和一致性方面具有潜力。通过自动化部分解读报告流程，LLM可以减轻病理学家的工作负担，并加快关键诊断信息的获取速度，同时仍需要专家病理学家的监督。