在胆囊癌中使用机器学习和DeepSeek-R1进行术前T阶段歧视

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 胆囊癌 (GBC) 通常表现为非特异性症状,延迟诊断.
• 早期发现GBC T-阶段对于有效的治疗计划和患者的治疗结果至关重要.

研究的目的:

• 评估是否常规血液生物标志物可以使用机器学习区分早期的GBCT阶段.
• 为了比较一个大型语言模型 (DeepSeek-R1) 的T阶段歧视性能,仅使用放射学报告与报告加上生物标志物数据进行比较.

主要方法:

• 对232名GBC患者的回顾性分析,分类T1和T2阶段.
• 训练机器学习模型 (随机森林,SVC,XGBoost,LightGBM) 使用七个血液生物标志物 (NLR,MLR,PLR,CEA,CA19-9,CA125,AFP).
• 评估DeepSeek-R1在使用带有和没有生物标志物数据的放射学报告对T1与T2 GBC进行分类方面的表现.

主要成果:

• 基于生物标志物的机器学习模型显示T阶段歧视差,性能接近随机机会.
• 合成少数人过量采样技术 (SMOTE) 没有改善独立测试组的性能.
• DeepSeek-R1仅使用放射学报告文本实现了89.6%的准确性,识别了T2分类的"胆囊壁加厚"等特征;生物标志物数据没有提高这种准确性.

结论:

• 常规血液生物标志物对于早期GBCT阶段的歧视是无效的.
• 一个放射学文本驱动的大型语言模型显示出高准确性和可解释性,在GBC中提供临床决策支持的潜力.
• 需要进一步的多中心研究来验证这些发现在更大的GBC队列中.