大型语言模型可以帮助手术前的发性区域定位吗? 一个多源文本分析在耐药性的性能研究

科学领域:

• 人工智能在医学中的应用
• 计算神经科学是一种神经科学.
• 医疗信息学 医疗信息学

背景情况:

• 大型语言模型 (LLM) 为分析复杂的生物医学文本提供了潜力.
• 在手术中定位发性区域 (EZ) 是至关重要的,但仍然具有挑战性.
• 从手术前数据中定位EZ的LLMs的实用性在很大程度上尚未被探索.

研究的目的:

• 评估领先的LLM在预测手术验证EZ方面的表现.
• 评估LLM在横向分类,叶片局部化和SEEG分层方面的能力.
• 确定LLM作为的临床决策支持工具的价值.

主要方法:

• 通过对154名耐药患者的非结构化临床文本来预测EZ,评估了三位领先的LLM.
• 性能与切除的叶片进行了基准测试,以测量横向性,叶片局部化和SEEG分层.
• 一个模态废除分析评估了不同文本来源对LLM绩效的影响.

主要成果:

• 在EZ横向性分类中,LLMs实现了高精度 (98.3%100%).
• 与Deepseek-R1相比,GPT-4.1和克劳德3.7索内特在一个队列中表现出优越的叶片局部化.
• 在LLM预测中,测试重复测试的可靠性很好 (ICC=0.951),入侵性监测患者的SEEG得分更高.

结论:

• 从原始的手术前文中,LLM可以准确地推断出经过手术验证的EZ.
• 在手术中,LLM显示出作为有价值的临床决策支持工具的前景.
• 进一步的研究可以优化LLM在神经外科的应用.