实施一个上下文增强的大型语言模型来指导精确的癌症医学

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 人工智能的人工智能

背景情况:

• 精密癌症医学依赖于分子信息化疗法和FDA批准,这给瘤学家带来了整合挑战.
• 大型语言模型 (LLM) 显示出临床潜力,但缺乏针对最新的瘤治疗建议的专业知识.

研究的目的:

• 为准确的生物标志物驱动的癌症治疗建议开发和评估检索增强代LLM (RAG-LLM) 工作流程.
• 将RAG-LLM方法与仅使用LLM框架的结构化和非结构化数据进行比较.

主要方法:

• 开发了一个RAG-LLM工作流程,结合了分子瘤学年鉴 (MOAlmanac) 的知识资源.
• 评估了234个治疗-生物标志物关系和现实世界瘤学家查询的性能.
• 将RAG-LLM与结构化和非结构化数据增强与仅LLM的方法进行比较.

主要成果:

• RAG-LLM实现了79-95%的准确性,明显优于LLM (62-75%).
• 与非结构化数据相比,结构化数据的增强提高了精度 (49%至80%) 和F1得分 (57%至84%).
• 在实践瘤学家的查询中,RAG-LLM显示了81-90%的准确性.

结论:

• 该RAG-LLM框架有效地提供精确,可靠的FDA批准的精确瘤治疗建议.
• 整合一个精心策划的,结构化的知识库,如MOAlmanac对于提高LLM在瘤学的表现至关重要.
• 需要进一步开发以解决模两可的临床场景.