[论文翻译]基于ChatGPT的放射学报告摘要迭代优化框架

放射学报告中的"印象(Impression)"部分是放射科医生与其他医生沟通的关键依据。该部分通常由放射科医生根据"发现(Findings)"部分撰写，这一过程既耗时又容易出错。尽管基于深度学习的方法(如BERT)在自动印象生成(AIG)任务中取得了不错的效果，但这些模型通常需要大量医学数据且泛化性能较差。最近，像ChatGPT这样的大语言模型展现出强大的泛化能力和性能，但它们在放射学等特定领域的表现仍有待研究且可能存在局限。为解决这一局限，我们提出Impression GPT模型，通过动态提示和迭代优化算法利用大语言模型的上下文学习能力来完成AIG任务。Impression GPT首先使用少量领域特定数据创建动态提示，提取与测试数据密切相关的上下文语义信息；随后，迭代优化算法自动评估大语言模型的输出并提供优化建议，持续改进输出结果。所提出的Impression GPT模型在MIMIC-CXR和OpenI数据集上均实现了优异的AIG任务性能，且无需额外训练数据或对大语言模型进行微调。这项工作提出了一种大语言模型本地化的范式，可广泛应用于类似场景，弥合通用大语言模型与各领域特定语言处理需求之间的差距。