用大型语言模型和元分析改善肺癌中质子后疗法并发症预测
Pei-Ju Chao1,2, Chu-Ho Chang1, Jyun-Jie Wu1
1Medical Physics and Informatics Laboratory of Electronics Engineering, National Kaohsiung University of Science and Technology, Kaohsiung, Taiwan.
Cancer control : journal of the Moffitt Cancer Center
|September 22, 2024
概括
大型语言模型 (LLM) 和元分析提高了肺癌质子疗法并发症预测效率. 聊天GPT-4在文献评估方面表现出色,比手动方法快得多,准确得多.
科学领域:
- 在瘤学瘤学.
- 医学物理 医学物理
- 计算生物学 计算生物学
背景情况:
- 在接受质子疗法的肺癌患者中预测并发症对于治疗优化至关重要.
- 传统的文献审查和质量评估方法可能是耗时和劳动密集的.
研究的目的:
- 提高接受质子疗法的肺癌患者预测并发症的效率.
- 在这种情况下,评估大型语言模型 (LLM) 和元分析技术对文学质量评估的有用性.
主要方法:
- 系统审查与LLM评估相结合,利用主要的科学数据库.
- 进行了元分析,异质性评估 (Cochran's Q, I2) 和子组分析.
- 在质量和偏差风险评估中使用了LLM (ChatGPT-4,Llama2,Llama3) 和PROBAST工具.
主要成果:
- 分析显示,模型预测的整体效应大小为0.78,具有高异质性.
- 对食道炎和肺炎的子组分析显示,模型之间没有显著差异 (I2=0%).
- 在文献评估中,ChatGPT-4实现了90%的准确性,明显优于Llama模型,并且比手动评估快3229倍.
结论:
- 将LLM与元分析整合起来,大大提高了文献评估的效率,并缩短了评估时间.
- 在评估研究质量和对质子疗法并发症预测偏差风险方面,LLM表现强.
- 在评估的模型中,在肺癌患者中预测质子疗法后并发症方面没有发现显著差异.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.7K
