Leveraging large language and vision models for knowledge extraction from large-scale image–text colonoscopy records
8.5
来源：
Nature
关键字：
AI radiology
发布时间：
2025-09-16 23:34
摘要：
研究提出了EndoKED，一种利用大型语言和视觉模型从大规模影像-文本结肠镜记录中提取知识的新方法。该方法通过自动化处理，显著提高了息肉检测和注释的准确性，展示了在临床应用中的潜力。EndoKED在多中心数据集上表现出色，能够实现专家级的性能，具有广泛的应用前景。
原文：
查看原文
价值分投票
评分标准
新闻价值分采用0-10分制，综合考虑新闻的真实性、重要性、时效性、影响力等多个维度。
评分越高，表示该新闻的价值越大，越值得关注。
价值维度分析
domain_focus
1.0
business_impact
0.5
scientific_rigor
1.5
timeliness_innovation
1.5
investment_perspective
2.5
market_value_relevance
1.0
team_institution_background
0.5
technical_barrier_competition
0.5
关键证据
EndoKED自动化地将原始结肠镜记录转化为具有像素级注释的图像数据集。
在多中心数据集上应用EndoKED，显示其在检测息肉方面的优越性能。
EndoKED的视觉骨干网络实现了光学活检的数据高效学习，达到专家级性能。
真实性检查
否
AI评分总结
研究提出了EndoKED，一种利用大型语言和视觉模型从大规模影像-文本结肠镜记录中提取知识的新方法。该方法通过自动化处理，显著提高了息肉检测和注释的准确性，展示了在临床应用中的潜力。EndoKED在多中心数据集上表现出色，能够实现专家级的性能，具有广泛的应用前景。