通过循证 LLM 报告过滤获得常规临床扫描的全身 CT 衰减和体积图

解释定量 CT 生物标志物，例如器官体积和组织衰减，需要大规模的健康参考分布。然而，创建这些数据具有挑战性，因为临床数据集通常富含病理学内容。在这里，我们开发了一个基于证据、交叉验证的 大语言模型 (LLM) 集合，用于过滤放射学报告中的病理结果，从而能够从超过 350,000 次 CT 检查中构建病理减少的队列。五个 LLM，首先，基于逐字报告证据标记结构级异常候选者，其次，通过交叉验证解决分歧。使用位置、尺度和形状的分布感知广义加性模型，我们为成年期的 106 个解剖结构（体积和衰减）建立了全面的全身参考图，其中考虑了年龄、性别、对比度增强和采集参数。纵向分析揭示了与横截面趋势不同的结构和对比度依赖性变化。这些资源有利于常规 CT 的协变量调整百分位评分，支持标准化定量表型、多部位成像研究和可扩展的机会性筛查研究。