大型语言模型和知识图驱动的AJCC前列腺癌分期使用病理学报告

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:

• 精确的癌症分期对于治疗计划和预后至关重要.
• 手动审查病理学报告进行分期是耗时的,容易出现错误.
• 需要自动化美国癌症联合委员会 (AJCC) 对激进前列腺切除病理报告的分期过程.

研究的目的:

• 开发一个自动化的AJCC分期系统,用于急性前列腺切除病理报告.
• 为了利用基于大型语言模型 (LLM) 的信息提取和知识图验证进行阶段化.
• 通过隐私保护的自动化分期来增强瘤学的临床决策支持.

主要方法:

• 利用了152名急性前列腺切除术患者的病理学报告进行初步开发.
• 采用GPT-4.1用于零射击提取五个关键病理参数.
• 为基于规则的AJCC分期和一致性验证构建了一个知识图,根据16个参数评估LLM性能.
• 在来自癌症基因组图谱 (TCGA) 的88名急性前列腺切除患者的外部数据集上验证了该系统.

主要成果:

• 在内部数据集上提取信息的高精度 (0.973) 和F1得分 (0.986) 和在外部验证上强大的表现 (0.938精度,0.968 F1得分).
• 证明了强大的AJCC分期分类,宏观平均F1分数为0.930 (内部) 和0.833 (外部).
• 在知识图验证中,在3.3%的案例中发现了数据不一致.

结论:

• 通过整合LLM信息提取和知识图验证,可以实现自动化的AJCC分期.
• 开发的系统为癌症分期提供隐私保护的临床决策支持.
• 该系统显示了扩展到其他瘤领域的潜力.