基于人工智能的预测,在早期的唇状细胞癌中预测部转移,使用手术前的临床形态特征
Rezarta Taga Senirli1, Merve Aydin Şimşek, Eray Koçak
1Department of Otolaryngology-Head and Neck Surgery, Antalya Training and Research Hospital, Antalya, Turkey.
The Journal of craniofacial surgery
|December 23, 2025
概括
人工智能 (AI) 大型语言模型显示出使用照片预测早期唇状细胞癌 (SCC) 宫淋巴结转移的潜力. 在高估风险的同时,人工智能为手术前评估提供了一种新的方法.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 早期的唇状细胞癌 (SCC) 需要准确评估淋巴结转移.
- 术前风险分层对于指导唇部SCC治疗决策至关重要.
- 目前评估转移风险的方法可能有限.
研究的目的:
- 评估基于人工智能的大型语言模型 (LLM) 的可行性,用于预测早期唇SCC的宫淋巴结转移 (pN+).
- 评估术前临床照片和AI驱动风险预测的基本临床参数的有用性.
- 在这个预测任务中比较不同LLM (ChatGPT和Gemini) 的表现.
主要方法:
- 追溯性,单一中心研究14名患者与他的病理学证实唇部SCC.
- 通过零拍摄方法,使用ChatGPT和Gemini对手术前标准化的JPEG照片进行分析.
- 将LLM预测与选择性部剖析的最终病理发现进行比较.
主要成果:
- 与实际发现相比,ChatGPT和Gemini都高估了转移风险 (0%).
- 与双子座 (Brier 0.064, r=0.56) 相比,ChatGPT显示出更好的校准 (Brier 分数 0.023) 和与入侵深度 (r=0.16) 的相关性较弱.
- 两种模型都确定下唇和指管腔病变的风险更高.
结论:
- 基于人工智能的LLM可以从唇部SCC的手术前照片中提取相关的风险线索.
- 人工智能辅助的手术前风险评估是一种新且易于获得的方法.
- 在这种情况下,过度敏感性和减少的特异性仍然是当前AI模型的局限性.
