Predicción de tipos moleculares de gliomas difusos de tipo adulto basada en informes de resonancia magnética con...

Área de la Ciencia:

• Inteligencia artificial en medicina
• Neuro-oncología
• Informática de radiología

Sus antecedentes:

• La subtipificación molecular precisa de los gliomas difusos de tipo adulto es crucial para el tratamiento y el pronóstico.
• La clasificación de la Organización Mundial de la Salud (OMS) de 2021 se basa en marcadores moleculares, a menudo inferidos de imágenes.
• Los modelos de lenguaje grandes (LLM) muestran potencial en el análisis de texto clínico, pero su rendimiento en la subtipificación de gliomas necesita ser evaluado.

Objetivo del estudio:

• Evaluar la eficacia de varios LLM en la predicción de tipos moleculares de glioma utilizando informes de radiología de RM.
• Comparar el rendimiento de las indicaciones basadas en el conocimiento frente a las indicaciones ingenuas para la clasificación de glioma basada en LLM.
• Investigar la influencia de la subespecialización del radiólogo y la calidad del informe en el rendimiento de los LLM.

Principales métodos:

• Análisis retrospectivo de 2169 casos de glioma difuso de tipo adulto de múltiples hospitales asiáticos y europeos.
• Evaluación de siete LLM (GPT-4o-mini, GPT-4.1-mini, Llama 3.1 8B/70B, Qwen2.5 7B, Deepseek-r1 8B, Mistral 7B) utilizando informes de radiología de RM.
• Comparación de la precisión de los LLM con indicaciones basadas en el conocimiento frente a indicaciones ingenuas, y evaluación de factores como la subespecialización en neurooncología y la calidad del informe.

Principales resultados:

• Las indicaciones basadas en el conocimiento generalmente mejoraron la precisión de los LLM en comparación con las indicaciones ingenuas, con mejoras notables en modelos como GPT-4o-mini y Qwen2.5 7B.
• Los LLM más grandes demostraron una mayor precisión y se vieron menos afectados por el tipo de indicación.
• El rendimiento de los LLM se vio significativamente mejorado por los informes de especialistas en neurooncología e informes de alta calidad y descriptivos en todos los modelos evaluados.

Conclusiones:

• Los LLM pueden ayudar en la predicción de los tipos moleculares preoperatorios de tumores de gliomas difusos de tipo adulto a partir de informes de RM.
• La incorporación de conocimiento relevante del dominio en las indicaciones optimiza el rendimiento de los LLM para la clasificación de gliomas.
• La calidad y el carácter descriptivo de los informes de radiología, junto con la experiencia del radiólogo, son factores clave para maximizar la utilidad de los LLM en neurooncología.