コンテキスト拡張型大規模言語モデルによる高精度な個別化腫瘍学治療推奨

科学分野:

• 腫瘍学
• 医療情報学
• 人工知能

背景:

• 個別化腫瘍学は、分子的に情報に基づいた治療法と進化する規制承認に依存しています。
• 現在のLLMは、腫瘍学における最新のニッチな治療推奨のための専門知識を欠いています。
• 高度な治療法を患者ケアに統合することは、腫瘍医にとって課題となります。

研究 の 目的:

• 個別化腫瘍学のための検索拡張生成（RAG）-LLMワークフローを開発および評価すること。
• バイオマーカー駆動型治療推奨において、標準的なLLMに対してRAG-LLMアプローチをベンチマークすること。
• 臨床腫瘍学の設定でLLMのパフォーマンスを向上させるための戦略を調査すること。

主な方法:

• 分子腫瘍学アルマナック（MOAlmanac）を組み込んだRAG-LLMワークフローを開発しました。
• 合成および実際の臨床クエリを使用して、LLMのみのアプローチに対してRAG-LLMをベンチマークしました。
• パフォーマンスを最適化するために、さまざまなプロンプトおよび検索戦略を調査しました。

主要な成果:

• RAG-LLMは合成クエリで最大95%の精度を達成しました。
• RAG-LLMは、実践的な腫瘍医からの実際のクエリで93%の精度を示しました。
• LLMのパフォーマンスを向上させるための効果的なプロンプトおよび検索戦略を特定しました。

結論:

• 開発されたRAG-LLMワークフローは、個別化腫瘍学をサポートする上で大きな可能性を示しています。
• このアプローチは、癌患者に正確で最新の治療推奨を提供できます。
• この研究は、癌治療の決定を支援するために臨床現場でLLMを展開するためのガイダンスを提供します。