自动化病理性TN分类预测和推理从肺癌手术病理学报告生成使用大型语言模型与思维链微调:算法开发和验证研究研究

科学领域:

• 在瘤学瘤学.
• 自然语言处理自然语言处理.
• 人工智能的人工智能

背景情况:

• 传统的基于规则的NLP在EHR中是耗时的,对于非结构化数据容易产生错误.
• 大型语言模型 (LLM) 提供医疗背景的自动解释,用于病理阶段.
• 现有的LLM努力适应不断变化的专门癌症指南.

研究的目的:

• 评估微调的LLM用于自动TN分类和从肺癌病理学报告中提取理由.
• 通过与最新的指导方针保持一致,提高癌症分期的效率和准确性.
• 解决处理复杂医疗文件时基于规则的方法的局限性.

主要方法:

• 对6个开源LLMs进行比较性绩效评估.
• 利用了3216个未被识别的肺癌外科病理报告 (AJCC第8版).
• 使用精确匹配比率 (EMR) 和语义匹配比率 (SMR) 评估性能.

主要成果:

• 2_13b获得了最高的性能,EMR为0.934和SMR为0.864.13b.
• 2_7b也表现出强的结果,EMR为0.914和SMR为0.854.
• 在TN分类和逻辑生成方面,Orca2模型始终优于Llama2,Mistral_7b和Llama3_8b.

结论:

• 精心调整的LLM可以增强和自动化癌症分期中的TN分类.
• 这种方法支持临床实践和瘤学数据策划.
• 该方法可以适应其他类型的癌症,并进一步对指导方针进行特定的微调.