在大型语言模型中进行细粒度提示,以从放射学报告中准确有效地进行TNM分期

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TNM分期对于癌症诊断和治疗计划至关重要.
• 从非结构化的放射学报告中提取TNM分期信息是一个重大挑战.
• 当前的大型语言模型 (LLM) 在TNM阶段化中的性能可能受到提示复杂性的限制.

研究的目的:

• 引入细粒度提示 (FGP),一种新的方法来提高TNM阶段化中的LLM性能.
• 提高从放射学报告中提取和分类TNM分期数据的准确性和效率.
• 评估FGP在现实世界癌症分期工作流程中的临床实用性.

主要方法:

• 通过将TNM分期定义分解为可管理的子任务,开发了FGP.
• 集成的子任务响应来预测最终的TNM阶段,优化提示符的长度和任务简单性.
• 开发了集成FGP的应用软件,用于临床医生评估.

主要成果:

• 在基本的快速工程方法中,FGP表现出了优越的性能.
• 在肺癌TNM阶段测试中,T准确度提高了18.5%.
• 与手动方法相比,使用基于FGP的软件来确定肺癌的临床医生时间效率增加了一倍以上.

结论:

• FGP提供了一个有前途的解决方案,用于从放射学报告中增强基于LLM的TNM分期.
• 这种方法显著提高了癌症分期的准确性和临床效率.
• FGP有可能为人工智能辅助的癌症分期设定一个新的标准,改善患者的治疗结果.