专家指导的大型语言模型用于精密瘤学临床决策支持
Jacqueline Lammert1,2,3,4, Tobias Dreyer1,3, Sonja Mathes5,6
1Department of Gynecology and Center for Hereditary Breast and Ovarian Cancer, Technical University of Munich (TUM), School of Medicine and Health, Klinikum rechts der Isar, TUM University Hospital, Munich, Germany.
针对量身定制的医疗保健 (MEREDITH) 的医学证据检索和数据集成增强了用于精确瘤学的大型语言模型 (LLM) 能力. 整合专家反和特定领域的数据显著提高了MEREDITH治疗建议的准确性和广度.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 医学文献的快速增长给寻求向治疗的瘤学家带来了挑战.
- 一般用途的大型语言模型 (LLM) 由于缺乏特定领域的知识,其临床实用性有限.
研究的目的:
- 推出MEREDITH,一个旨在支持精密瘤学治疗建议的LLM系统.
- 为了利用谷歌的Gemini Pro LLM与检索增强生成和思维链方法.
主要方法:
- 在10个虚构的瘤病例中,MEREDITH被评价为具有分子瘤板 (MTB) 的代反的虚构瘤病例.
- 该系统得到了增强,包括临床研究,试验数据库,药物批准状态和瘤指南.
- 进行了定性和定量评估,包括测量LLM建议和临床医生响应之间的语义等号相似性.
主要成果:
- 梅雷迪特 (MEREDITH) 确定了4种治疗方案的中位数,而MTB专家只有2种,包括基于临床前数据和组合治疗的疗法.
- 整合一个精心策划的医疗数据集,将分子向性置于背景中,扩大了治疗可能性.
- 在MEREDITH和专家建议之间实现了高一致性 (94.7%),语义相似性显著增加 (0.71到0.76,P = .01).
结论:
- 专家反和特定领域的数据对于提高瘤学LLM绩效至关重要.
- 需要进一步的研究来探索LLMs在临床工作流程中的负责任整合.
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
07:59Author Spotlight: Advancements in Molecular Biomarker Testing for Non-Squamous Non-Small Cell Lung Cancer
Published on: September 8, 2023
相关概念视频
Combination Therapies and Personalized Medicine
The combination of the drug acetazolamide and sulforaphane is a good example of combination therapy to treat cancer. The cells in the interior of a large tumor often die due to the hypoxic and...
Targeted Cancer Therapies
There are several types of targeted therapies against...
Cancer Survival Analysis
