大型语言模型启用数字双胞胎用于罕见妇科瘤的精密医学
Jacqueline Lammert1,2,3,4, Nicole Pfarr5,6, Leonid Kuligin7
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. Jacqueline.Lammert@tum.de.
NPJ digital medicine
|July 9, 2025
概括
大型语言模型 (LLM) 为罕见妇科瘤 (RGTs) 创建数字双胞胎,使个性化治疗计划成为可能. 这种方法通过整合各种数据来改善患者的治疗结果,从而改善治疗匹配.
科学领域:
- 在瘤学瘤学.
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 由于发病率低和异质性,罕见的妇科瘤 (RGTs) 带来了重大的临床挑战.
- 目前的管理往往缺乏明确的指导方针,导致患者的治疗结果不足于最佳.
- 生物标志物分析对精准医学至关重要,但受到非结构化数据的阻碍.
研究的目的:
- 探索大型语言模型 (LLM) 在RGTs中开发精密医学数字双胞胎的应用.
- 证明LLM支持的数字双胞胎在定制RGT治疗计划中的实用性.
- 克服数据整合的挑战,以改善治疗匹配.
主要方法:
- 使用LLMs开发一个概念验证数字双胞胎系统.
- 从机构和已发表的病例中整合了临床和生物标志物数据 (n=21).
- 整合了来自655个出版物的文献数据,以进行全面分析.
主要成果:
- 支持LLM的数字双胞胎系统成功地集成了各种数据集.
- 为转移性子宫癌形成量身定制的治疗计划.
- 该系统确定了传统分析所遗漏的潜在治疗选择.
结论:
- 支持LLM的数字双胞胎可以在RGT中高效地模拟个体患者的轨迹.
- 转向基于生物学的瘤定义可以促进个性化护理.
- 这种方法有助于推进RGT管理和改善患者的治疗结果.
更多相关视频
06:03Integrating Augmented Reality Tools in Breast Cancer Related Lymphedema Prognostication and Diagnosis
Published on: February 6, 2020
6.7K
09:24Generation of Microtumors Using 3D Human Biogel Culture System and Patient-derived Glioblastoma Cells for Kinomic Profiling and Drug Response Testing
Published on: June 9, 2016
9.2K