检索增强代启用大型语言模型,用于皮肤状细胞癌的风险分层

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 皮肤状细胞癌 (cSCC) 在已确定的T阶段内表现出显著的结果变化.
• 目前对cSCC的风险分层系统可能无法完全捕捉患者结果的异质性.

研究的目的:

• 开发和验证一种新的cSCC风险分层系统,使用一种具有提取增强生成 (RAG) 的生成预训练变压器模型.
• 在预测不利结果方面,将新的AI驱动系统的性能与现有标准 (BWH和AJCC8) 进行比较.

主要方法:

• 一个系统的文献审查确定了cSCC中不良结果的风险因素,以建立RAG知识库.
• 使用RAG的生成预训练变压器 (GPT) 模型创建人工智能衍生风险评分 (AIRIS) 系统.
• 在2379个初级cSCC瘤的队列上验证了AIRIS系统,将其性能与BWH和AJCC8系统进行比较,以确定局部复发,结节转移,远程转移和疾病特异性死亡.

主要成果:

• 对于所有评估结果 (局部区域复发,结节转移,远程转移,疾病特异性死亡),AIRIS系统显示出更高的灵敏度和更高的接收器操作特征曲线下面区域值.
• 与BWH和AJCC8系统相比,AIRIS显示出更好的均性和单调性,在低风险类别中,不良结果的比例较低.
• 该研究涉及2379个初级cSCC瘤,患者中位数年龄为73岁 (38.5%为女性,61.5%为男性).

结论:

• 人工智能衍生风险评分 (AIRIS) 系统显著超过目前BWH和AJCC8预测系统的cSCC.
• AIRIS提供了一种更有效的工具,用于预测cSCC患者的不良结果.
• 这项研究强调了大型语言模型在推进癌症预后和治疗策略方面的潜力.