伝統的なコックス回帰は,中期から高度肝細胞癌の長期的な進行を予測する上で,大規模な言語モデルを上回ります

科学分野:

• 腫瘍学 腫瘍学
• 医療情報工学 医療情報工学
• 人工知能 (AI) とは,人工知能 (AI) のことです.

背景:

• 肝細胞癌 (HCC) は,長期的な進行を予測する上で大きな課題となっています.
• 正確なリスク分層化は,中級から高度なHCCの治療戦略を最適化するために不可欠です.
• 伝統的な統計モデルと新興のAIアプローチは,予測の精度を向上させる可能性を秘めています.

研究 の 目的:

• 長期 HCC 進行リスクに関する従来のコックス回帰モデルと大型言語モデル (LLM) の予測性能を比較する.
• HCC患者の進行性フリー生存 (PFS) の延長における異なる治療組合の有効性を評価する.

主な方法:

• 中途半端から高度なHCCの患者576人のコホートが分析されました.
• 予測性能は,時間依存のAUC,決定曲線分析,校正曲線,NRI,IDIを用いて評価された.
• LLM (DeepSeek R1,DeepSeek V3,Qwen/QWQ-32B) とコックス回帰モデルが開発され,検証されました.

主要な成果:

• アブラーションおよび/または免疫チェックポイント阻害剤 (ICI) を標準療法と併用することで,PFSを著しく延長 (中位12.3ヶ月) しました.
• コックス回帰モデルは,訓練コホートではAUCが0.72から0.96まで,検証コホートでは0.75から0.97までで,強力な差別を示した.
• ほとんどのLLMは,特定の時間点におけるDeepSeek R1を除いて,HCCの進行リスクを長期的に予測するコックスモデルに劣ったパフォーマンスを示しました.

結論:

• 伝統的なコックスモデルは現在,長期的なHCCの進行を予測するために,LLMよりも優れたパフォーマンスを提供しています.
• コックスモデルの安定性とLLMのデータ処理能力を組み合わせることで,将来の予測の精度が向上する可能性があります.
• アブラーションおよび/またはICIを含む最適化された治療戦略は,HCC患者のPFSを改善することができます.