早期発症大腸がんの予測における大規模言語モデルの活用
Wilson Lau1, Youngwon Kim1, Sravanthi Parasa2
1Truveta, Bellevue, WA.
AMIA ... Annual Symposium proceedings. AMIA Symposium
|February 23, 2026
まとめ
早期発症大腸がん（EoCRC）は若年成人で増加している。ファインチューニングされた大規模言語モデル（LLM）は、患者データを用いてEoCRCを予測する可能性を示し、73%の感度と91%の特異度を達成した。
科学分野:
- 腫瘍学
- 人工知能
- 医療情報学
背景:
- 45歳未満の個人における早期発症大腸がん（EoCRC）の発生率が増加しています。
- この人口層は、現在の国の癌スクリーニング年齢ガイドラインを下回っています。
- EoCRCのリスクのある個人を特定するための予測モデルが必要です。
主な方法:
- 米国医療システムからの1,953人の大腸がん（CRC）患者のレトロスペクティブ分析。
- 10種類の異なる機械学習モデルの適用と比較。
- 患者の状態、検査結果、および観察結果を組み込んだファインチューニングされた大規模言語モデル（LLM）を利用しました。
結論:
- ファインチューニングされたLLMは、若年集団における大腸がんの早期発見に大きな可能性を示しています。
- LLMは、がんリスク予測のために多様な患者データを効果的に分析できます。
- このアプローチは、早期発症大腸がんのターゲットスクリーニング戦略の開発に役立つ可能性があります。
さらに関連する動画
関連する概念動画
02:07Improving Translational Accuracy
15.2K
Base complementarity between the three base pairs of mRNA codon and the tRNA anticodon is not a failsafe mechanism. Inaccuracies can range from a single mismatch to no correct base pairing at all. The free energy difference between the correct and nearly correct base pairs can be as small as 3 kcal/ mol. With complementarity being the only proofreading step, the estimated error frequency would be one wrong amino acid in every 100 amino acids incorporated. However, error frequencies observed in...
15.2K
02:07Improving Translational Accuracy
3.7K
3.7K