Yinuo Wang;Kai Chen;Yue Zeng;Cai Meng;Chao Pan;Zhouping Tang;唐颖馨;目的：在无对比剂CT(non-contrast CT,NCCT)上准确识别颅内出血（intracranial hemorrhage,ICH）亚型对于预后评估和治疗决策至关重要，但由于图像对比度低、边界模糊，这一任务仍具挑战性。本研究旨在评估多模态大语言模型（multi-modal large language models,MLLMs）与传统深度学习方法在ICH检测及分型中的零样本性能。方法：我们使用了来自RSNA数据集的192例NCCT影像数据，将GPT-4o、Gemini 2.0 Flash、Claude 3.5 Sonnet V2等MLLMs与ResNet50、Vision Transformer等传统深度学习模型进行比较。通过提示词引导MLLMs完成是否存在ICH、出血亚型判断、病灶定位以及体积估算等任务。结果：在ICH检测和分型两方面，传统深度学习模型的表现均优于MLLMs。特别是在分型任务中，MLLMs准确率较低，其中表现最佳的Gemini 2.0 Flash仅达到0.41的宏平均精确率（macro-averaged precision）和0.31的F1分数。结论：尽管MLLMs可通过自然语言交互提升可解释性，但在ICH亚型识别的准确性方面仍逊于深度学习网络。未来需进一步优化，以增强其在三维医学影像分析中的实用价值。
2026年02期 v.21 125页 [查看摘要][在线阅读][下载 553K] [下载次数：0 ] |[网刊下载次数：0 ] |[引用频次：0 ] |[阅读次数：0 ]