MRIレポートを用いた大規模言語モデルによる成人型びまん性グリオーマの分子タイプの予測

科学分野:

• 医療における人工知能
• 神経腫瘍学
• 放射線情報学

背景:

• 成人型びまん性グリオーマの正確な分子サブタイピングは、治療と予後のために不可欠である。
• 2021年の世界保健機関（WHO）分類は、画像から推測されることが多い分子マーカーに依存している。
• 大規模言語モデル（LLM）は臨床テキストの分析に可能性を示しているが、グリオーマのサブタイピングにおけるそのパフォーマンスは評価が必要である。

研究 の 目的:

• MRI放射線レポートを使用したグリオーマ分子タイプの予測における様々なLLMの有効性を評価する。
• LLMベースのグリオーマ分類における知識ベースプロンプトとナイーブプロンプトのパフォーマンスを比較する。
• 放射線科医の専門分野とレポートの品質がLLMのパフォーマンスに与える影響を調査する。

主な方法:

• 複数のアジアおよびヨーロッパの病院から収集された2169例の成人型びまん性グリオーマ症例の後ろ向き分析。
• MRI放射線レポートを使用した7つのLLM（GPT-4o-mini、GPT-4.1-mini、Llama 3.1 8B/70B、Qwen2.5 7B、Deepseek-r1 8B、Mistral 7B）の評価。
• 知識ベースプロンプトとナイーブプロンプトを用いたLLM精度の比較、および神経腫瘍の専門分野やレポートの品質などの要因の評価。

主要な成果:

• 知識ベースのプロンプトは、ナイーブプロンプトと比較して一般的にLLMの精度を向上させ、特にGPT-4o-miniやQwen2.5 7Bのようなモデルで顕著な向上が見られた。
• より大きなLLMは、より高い精度を示し、プロンプトの種類による影響を受けにくかった。
• LLMのパフォーマンスは、神経腫瘍専門家によるレポートや、評価されたすべてのモデルにおいて高品質で記述的なレポートによって大幅に向上した。

結論:

• LLMは、MRIレポートから成人型びまん性グリオーマの術前分子腫瘍タイプを予測するのに役立つ。
• プロンプトに関連するドメイン知識を組み込むことは、グリオーマ分類のためのLLMパフォーマンスを最適化する。
• 放射線レポートの品質と記述性、および放射線科医の専門知識は、神経腫瘍学におけるLLMの有用性を最大化するための重要な要因である。