[Large language models from OpenAI, Google, Meta, X and Co. : The role of "closed" and "open" models in radiology].

BACKGROUND

In 2023, the release of ChatGPT triggered an artificial intelligence (AI) boom. The underlying large language models (LLM) of the nonprofit organization "OpenAI" are not freely available under open-source licenses, which does not allow on-site implementation inside secure clinic networks. However, efforts are being made by open-source communities, start-ups and large tech companies to democratize the use of LLMs. This opens up the possibility of using LLMs in a data protection-compliant manner and even adapting them to our own data.

OBJECTIVES

This paper aims to explain the potential of privacy-compliant local LLMs for radiology and to provide insights into the "open" versus "closed" dynamics of the currently rapidly developing field of AI.

MATERIALS AND METHODS

PubMed search for radiology articles with LLMs and subjective selection of references in the sense of a narrative key topic article.

RESULTS

Various stakeholders, including large tech companies such as Meta, Google and X, but also European start-ups such as Mistral AI, contribute to the democratization of LLMs by publishing the models (open weights) or by publishing the model and source code (open source). Their performance is lower than current "closed" LLMs, such as GPT‑4 from OpenAI.

CONCLUSION

Despite differences in performance, open and thus locally implementable LLMs show great promise for improving the efficiency and quality of diagnostic reporting as well as interaction with patients and enable retrospective extraction of diagnostic information for secondary use of clinical free-text databases for research, teaching or clinical application.

ZUSAMMENFASSUNG

HINTERGRUND: Die Veröffentlichung von ChatGPT löste im Jahr 2023 einen KI-Boom aus. Die zugrundeliegenden großen Sprachmodelle (Large Language Models, LLM) der gemeinnützigen Organisation „OpenAI“ sind nicht frei unter Open-Source-Lizenzen verfügbar, was keine Implementierung vor Ort in gesicherten Kliniknetzen erlaubt. Von Open-Source-Gemeinschaften, Start-ups, aber auch von großen Tech-Firmen gibt es jedoch Bestrebungen, die Anwendung von LLMs zu demokratisieren. Dies bietet die Möglichkeit, LLMs auch datenschutzkonform anzuwenden und sogar auf eigene Daten anzupassen.

ZIEL DER ARBEIT

In diesem Beitrag soll das Potenzial von datenschutzkonformen, lokalen LLMs für die Radiologie erläutert und Einblicke in die „open“ versus „closed“ Dynamik der aktuell rasanten Entwicklungen im Bereich künstlicher Intelligenz (KI) gegeben werden.

MATERIAL UND METHODEN

PubMed-Suche zu radiologischen Artikeln mit LLMs und subjektive Auswahl von Referenzen im Sinne eines narrativen Leitthemenartikels.

ERGEBNISSE

Verschiedene Akteure, darunter große Tech-Firmen wie Meta, Google und X, aber auch europäische Start-ups wie Mistral AI, tragen zur Demokratisierung von LLMs durch Veröffentlichung der Modelles („open weights“) oder durch Veröffentlichung von Modell und Quellcode („open source“) bei. Ihre Performanz ist geringer als aktuelle „closed“ LLMs, wie z. B. GPT‑4 von OpenAI.

DISKUSSION

Trotz Unterschieden in der Performanz zeigen offene und damit lokal implementierbare LLMs großes Potenzial zur Verbesserung der Effizienz und Qualität der Befundung sowie der Interaktion mit Patienten und ermöglichen eine retrospektive Extraktion von Befundinformationen zur Sekundärnutzung klinischer Freitextdatenbanken für Forschung, Lehre oder klinische Anwendung.

Informations de copyright

© 2024. The Author(s), under exclusive licence to Springer Medizin Verlag GmbH, ein Teil von Springer Nature.