探索多语言大语言模型,以加强TNM对肺癌分期的放射学报告的分类
Hidetoshi Matsuo1, Mizuho Nishio1,2, Takaaki Matsunaga1
1Department of Radiology, Kobe University Graduate School of Medicine, Kobe 650-0017, Japan.
Cancers
|November 9, 2024
概括
大型语言模型 (LLM) 在放射学报告中显示了自动瘤,结节,转移 (TNM) 分类的前景. 提供TNM定义提高了准确性,特别是在英语中,突出了LLMs.
科学领域:
- 放射学中的人工智能
- 医学中的自然语言处理.
- 瘤学数据分析
背景情况:
- 放射学报告包含了癌症分期的关键信息.
- 准确的瘤,结节,转移 (TNM) 分类对于肺癌治疗至关重要.
- 自动化TNM分类可以提高效率和一致性.
研究的目的:
- 从放射学报告中评估GPT3.5-turbo自动TNM分类的准确性.
- 评估多语言大语言模型 (LLM) 在英语和日语中对TNM分类的有用性.
- 确定提供TNM定义对分类准确性的影响.
主要方法:
- 开发了一个使用GPT3.5的自动化系统,从胸部CT报告中提取TNM分类.
- 统计分析了使用通用线性混合模型的性能.
- 与英语和日语的全或部分TNM定义进行准确性比较.
主要成果:
- 在英语报告中使用完整的TNM定义 (TNM合并:36%) 实现了最高准确度.
- 提供TNM定义显著改善了T,N和M因子的准确性 (p < 0.01).
- 与英语相比,日本报告显示N和M分类的准确性降低了.
结论:
- 多语言的LLM证明了在放射学中实现自动TNM分类的潜力.
- 在放射学中,LLM具有相关性,即使没有特定的模型再培训,也可以观察到性能增长.
- 纳入TNM定义可以提高LLM在癌症分期方面的性能.


