大规模的深度学习用于在病理学报告中检测转移.
Patrycja Krawczuk1, Zachary R Fox1, Valentina Petkov2
1Advanced Computing for Health, Oak Ridge National Laboratory, Oak Ridge, TN 37830, United States.
JAMIA open
|July 14, 2025
概括
一个新的深度学习模型从病理学报告中准确地检测转移性癌症,优于一般的大型语言模型 (LLM). 纳入不确定性量化进一步提高了其识别审查案件的能力.
科学领域:
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
- 医疗保健的自然语言处理.
背景情况:
- 现有的算法很难从美国人口的各种病理报告中可靠地识别癌症转移.
- 精确识别转移性癌症对于患者治疗和流行病学研究至关重要.
研究的目的:
- 开发和评估一个深度学习模型,从非结构化的病理学报告中自动检测转移性癌症.
- 为了比较特定任务深度神经网络与通用大型语言模型 (LLM) 的性能.
主要方法:
- 利用了来自监测,流行病学和最终结果 (SEER) 登记处的60,471份非结构化病理报告.
- 开发了一个特定任务的深度神经网络,从头开始训练.
- 编码报告分为"转移阴性"",转移阳性"或"转移未确定"类别.
主要成果:
- 深度学习模型实现了0.894的回忆,超过了一般LLM的0.824.8的回忆.
- 量化模型的不确定性允许将报告推迟到人类审查,在保留72.9%的报告时,回忆率增加到0.969.
- 一个较小,特定于任务的深度学习架构在一般的LLM上表现出更高的性能.
结论:
- 从非结构化病理学报告中证明了使用算法自动识别转移性癌症病例的可行性.
- 强调了不确定性量化和弃权机制在改善模型性能方面的关键作用.
- 建议在临床实践中更有效,更准确地检测癌症转移的途径.
