相关实验视频
Updated: Jun 24, 2026
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
7.4K
使用生成性大语言模型对乳腺癌中的免疫组织化学生物标志物的基于文本的预测:一项回顾性研究
Emre Utkan Büyükceran1, Ayça Seyfettin1, Andelib Babatürk1
1Department of Radiology, Ankara Güven Hospital, Ankara, Turkey.
Health information science and systems
|November 24, 2025
概括
聊天GPT-4o只使用文本报告准确预测了乳腺癌关键免疫组织化学 (IHC) 生物标志物,包括雌激素受体 (ER),孕激素受体 (PR) 和HER2. 这种人工智能工具对支持临床决策充满希望,特别是在资源有限的地方.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 生物标志物发现发现
背景情况:
- 像ER,PR,HER2和Ki-67这样的免疫组织化学 (IHC) 生物标志物对于乳腺癌的分类和治疗至关重要.
- 放射学模型显示出非侵入性生物标志物预测的潜力,但使用大语言模型 (LLM) 与文本数据的使用尚未得到充分探索.
研究的目的:
- 评估ChatGPT-4o在预测IHC生物标志物状态 (ER,PR,HER2,Ki-67) 的性能,仅使用结构化的放射学和病理学报告.
- 评估使用LLM用于乳腺癌中非侵入性生物标志物预测的可行性.
主要方法:
- 55名乳腺癌患者的结构化临床,成像和病理报告 (不包括IHC数据) 的回顾性分析.
- 聊天GPT-4o被提示预测ER,PR,HER2和Ki-67表达,并对可重现性进行重复预测.
- 用准确度,灵敏度,特异性和科恩的卡帕来评估诊断性能,与病理学结果进行比较.
主要成果:
- 在预测HER2 (83.6%),ER (81.8%) 和PR (76.4%) 方面,ChatGPT-4o取得了很高的准确性.
- 对高基-67表达的敏感度为88.9%,与中度一致 (κ=0.55).
- 对所有生物标志物的相互预测协议是相当大的,几乎是完美的 (κ=0.69-0.83).
结论:
- 聊天GPT-4o可以从文本数据单独成功预测IHC生物标志物状态.
- 该LLM的表现与放射学模型相美,为早期临床决策提供可行的AI工具.
- 这种方法在资源有限的环境中或在等待IHC结果时特别有价值.
