Aumento del LLM con ingeniería de indicaciones y ajuste fino supervisado en la estadificación TNM del CPNM:...

Área de la Ciencia:

• Inteligencia artificial en oncología
• Análisis de imágenes médicas
• Procesamiento del lenguaje natural para datos clínicos

Sus antecedentes:

• La estadificación TNM precisa es crucial para el tratamiento y el pronóstico del cáncer de pulmón no microcítico (CPNM).
• La estadificación TNM actual enfrenta desafíos en la estandarización y la interpretación debido a inconsistencias en los informes.
• Los métodos tradicionales de PNL para la estadificación están limitados por reglas manuales y variabilidad.

Objetivo del estudio:

• Desarrollar y validar un marco de IA para la estadificación TNM robusta y eficiente en el CPNM.
• Mejorar el modelo de lenguaje grande GLM-4-Air utilizando ingeniería de indicaciones y ajuste fino supervisado (SFT).
• Crear una solución de IA operativamente eficiente para la aplicación clínica en la estadificación del CPNM.

Principales métodos:

• Conjunto de datos curado de 492 informes de imágenes de CPNM del mundo real con anotaciones TNM validadas por médicos (8ª edición de la AJCC).
• Ingeniería de indicaciones iterativa con cadena de pensamiento e inyección de conocimiento del dominio para GLM-4-Air.
• Ajuste fino supervisado eficiente en parámetros utilizando LoRA para la estadificación T y N, creando un modelo híbrido.
• Evaluación en un conjunto de prueba retenido, comparando con GPT-4o, incluido el análisis de impacto clínico.

Principales resultados:

• El modelo híbrido GLM-4-Air logró precisiones de estadificación superiores: T 92%, N 86%, M 92%, general 90%, superando a GPT-4o (T 87%, N 70%, M 78%, general 80%).
• Las puntuaciones F1 de macro-promedio para el modelo fueron T 0.914, N 0.815, M 0.831, superando las puntuaciones de GPT-4o.
• Se redujeron significativamente los errores graves de estadificación de Categoría I, sin errores en la estadificación M y menos en la estadificación T/N.
• Se demostró la viabilidad práctica con una inferencia eficiente en hardware de grado de consumidor.

Conclusiones:

• El marco de IA híbrido proporciona una solución automatizada de estadificación TNM de CPNM altamente precisa, clínicamente fiable y rentable.
• Los modelos más pequeños optimizados por dominio, como el GLM-4-Air mejorado, muestran un potencial significativo en comparación con los modelos generalistas.
• Este enfoque promete mejorar la estandarización del diagnóstico en entornos sanitarios con recursos limitados.