*本资料仅供医疗卫生专业人士参考
请勿向非医疗卫生专业人士发放
研究背景
ISC 2025
脑卒中是世界范围内致残和致死率极高的一类疾病，早期快速的救治是降低死亡、改善残疾的重要手段之一，然而由于对早期卒中症状识别不足，诊断延误等原因接受血管再通治疗的患者仍然比例很低。不同地域及医疗机构卒中医师服务水平及医疗资源也存在显著差异。开发一个可用于初级卒中中心的急性卒中诊断和预测工具可在一定程度上弥补初级医疗机构专科医师不足，卒中诊断经验不够的问题。ChatGLM-6B是清华团队发布的一个开源的大语言模型，其基础模型是生成式预训练模型-GLM（General Language Model Pretraining with Autoregressive Blank Infilling），ChatGLM-6B是一个具有约60亿参数的小规模版本，但轻量化级别也便于后续部署应用。
研究目的
ISC 2025
本研究旨在基于急诊电子病历信息，结合头颅CT平扫数据和放射科医师报告，以ChatGLM-6B模型为基础，开发一个用于急性卒中诊断和大血管闭塞的预测工具并进行初步验证。
研究方法
ISC 2025
本研究提出了一种基于ChatGLM-6B架构的大语言模型，通过筛选最优输入组合（筛选病例中最有用的信息）、利用外部工具，结合指令微调（Instruction Tuning）和低秩自适应（LoRA）技术构建卒中辅助诊断系统。研究使用2016至2024年间1,885例卒中与非卒中患者数据进行训练和内部验证，并采用两个外部测试集（共335例）进行验证：其中230例来自训练数据医院不同时期的就诊患者，105例来自另一家医院患者。主要围绕急性卒中诊疗关键问题进行测试（图1）。
图1 急性卒中诊疗流程关键步骤
研究结果
ISC 2025
该模型基于临床文本与非增强CT（NCCT）在卒中识别（是否急性卒中）方面展现出极高准确率：内部验证集达99.0%，两个外部测试队列分别为95.5%和79.1%。在缺血/出血性卒中鉴别中，验证集准确率达100.0%，其他测试队列分别为99.1%和97.1%。对大血管闭塞（LVO）的识别准确率验证集为80.0%，其他测试队列分别为88.6%和83.3%。在静脉溶栓（IVT）适应证筛查方面，验证集准确率达89.4%，其他测试队列分别为60.0%和80.0%。模型测试及验证主要结果混淆矩阵图见图2，举例见图3。
图3 应用举例
研究结论
ISC 2025
我们基于ChatGLM-6B开发了一个利用临床病例文本和平扫CT识别卒中并指导血管再通治疗的卒中辅助诊断工具。虽然研究结果仍需通过广泛部署进行验证，但其在提升卒中识别准确率和缩短再灌注时间方面具有重要潜力。
作者评论
ISC 2025
大语言模型在医学领域有着广泛的应用前景，而基于特定场景的需求及高质量的训练数据是完成模型训练及达到较好的表现性能必不可缺的元素，本研究基于临床诊疗初步信息，借助ChatGLM的语言理解及推断能力，围绕急性卒中早期诊疗流程的关键问题进行训练，初步开发了可用于初级医疗机构的卒中辅助诊断工具，基于GLM框架的模型也支持多模态数据的输入，更适用于复杂背景的医学数据，且模型轻量化部署也便于广泛的应用。未来大语言模型在医疗领域的应用还有待于更多的探索和规范。
专家简介
宋晓微
北京清华长庚医院
清华大学医学博士，UCLA访问学者，北京清华长庚医院神经内科副主任医师。擅长：颅内动脉粥样硬化脑梗死的危险因素评估和管理，病因和发病机制研究，借助新型影像技术进行卒中精准诊疗，脑卒中数字诊疗创新研究，将AI技术应用于卒中诊断及风险预测。研究方向：缺血性卒中的病因和发病机制、脑动脉粥样硬化精准影像评估、脑卒中数字化诊疗创新研究。获得清华大学百人计划资助，作为参与单位负责人及项目骨干承担国家重点研发计划2项，作为项目骨干参与十四五、国自然、北京市科委重大项目等多个课题，发表SCI论文及中文核心期刊20余篇。
如发现文内有误请联系我们
*本文不构成任何诊疗相关意见和建议，仅供医疗人员参考学习
长按左方二维码查看详细申明
POCKETIN 将挑选重点研究，就已发布结果邀请专家陆续解读
投稿请联系：zhengsisi@medicaltelescope.cn 郑思思
POCKETIN
由苏州工业园区东方华夏心血管健康研究院和医望共同发起的POCKETIN项目将依托人工智能学术跟踪系统，为全国广大心血管医师带来及时全面的报道。
项目得到了医师报、梅斯医学、365医学网、健康界、中华医学信息导报、医心、严道医声网等单位的大力支持。
3. 如有内容上的不准确请联系我们（邮箱：zhengsisi@medicaltelescope.cn）；
