使用大型语言模型预测瘤委员会程序建议

科学领域:

• 在瘤学瘤学.
• 人工智能在医学中的应用
• 医疗决策支持 医疗决策支持

背景情况:

• 多学科瘤板可以提高癌症患者的生存率,但资源密集.
• 评估人工智能在瘤学中的程序建议对于提高效率至关重要.

研究的目的:

• 评估大型语言模型 (LLM) 的准确性和质量,以推头部和部瘤瘤板的程序.
• 为了将参数有效微调 (PEFT) 和上下文学习 (ICL) 进行比较,以使LLMs适应此任务.

主要方法:

• 在229个培训和100个验证记录的数据集上,LLMs使用PEFT和ICL进行了调整.
• 人类专家进行了随机的盲目分类,以评估模型预测.
• 模型的性能通过治疗线的一致性和推的医学合理性来衡量.

主要成果:

• 法律学的建议达到了86%的治疗线一致性和98%的医疗合理性.
• PEFT的表现优于ICL,大型商用车型通常表现更好.
• 模型性能有所不同,突出了进一步优化的需要.

结论:

• 临床瘤医生可以为瘤患者提供准确,医学上合理的程序建议.
• 扩大数据集和纳入更新的指导方针可以改善LLM的事实性和指导方针对齐.
• 鼓励进一步的研究,以提高医学决策中的LLM可靠性.