非小細胞肺癌（NSCLC）のTNM病期分類におけるプロンプトエンジニアリングと教師ありファインチューニングによるLLMの拡張：フレームワーク開発と検証

科学分野:

• 腫瘍学における人工知能;医療画像解析;臨床データのための自然言語処理

背景:

• 正確なTNM病期分類は、非小細胞肺癌（NSCLC）の治療と予後に不可欠です。;現在のTNM病期分類は、報告の一貫性のために標準化と解釈において課題に直面しています。;病期分類のための従来のNLP手法は、手動ルールとばらつきによって制限されています。

研究 の 目的:

• NSCLCにおける堅牢で効率的なTNM病期分類のためのAIフレームワークを開発および検証すること。;プロンプトエンジニアリングと教師ありファインチューニング（SFT）を使用してGLM-4-Air大規模言語モデルを強化すること。;NSCLC病期分類における臨床応用のための運用効率の高いAIソリューションを作成すること。

主な方法:

• 医師によって検証されたTNMアノテーション（AJCC第8版）を持つ492件の実際のNSCLC画像レポートのキュレーションされたデータセット。;連鎖思考とドメイン知識の注入によるGLM-4-Airの反復プロンプトエンジニアリング。;TおよびN病期分類のためのLoRAを使用したパラメータ効率の高いSFTにより、ハイブリッドモデルを作成しました。;保持されたテストセットでの評価、GPT-4oとのベンチマーク、臨床影響分析を含む。

主要な成果:

• ハイブリッドGLM-4-Airモデルは、T 92%、N 86%、M 92%、全体90%という優れた病期分類精度を達成し、GPT-4o（T 87%、N 70%、M 78%、全体80%）を上回りました。;モデルのマクロ平均F1スコアはT 0.914、N 0.815、M 0.831であり、GPT-4oのスコアを上回りました。;重大なカテゴリIの病期分類エラーが大幅に減少し、M病期分類ではエラーゼロ、T/N病期分類ではエラーが減少しました。;コンシューマーグレードのハードウェアでの効率的な推論により、実用的な展開可能性を示しました。

結論:

• ハイブリッドAIフレームワークは、高精度で臨床的に信頼性が高く、コスト効率の高い自動NSCLC TNM病期分類ソリューションを提供します。;強化されたGLM-4-Airのようなドメイン最適化された小規模モデルは、一般モデルと比較して大きな可能性を示しています。;このアプローチは、リソースが制約されたヘルスケア設定における診断標準化の改善に有望です。