在NSCLC中用快速工程和监督微调增强LLM TNM分期:框架开发和验证

科学领域:

• 在瘤学中使用人工智能
• 医学成像分析 医学成像分析
• 临床数据的自然语言处理.

背景情况:

• 准确的TNM分期对于非小细胞肺癌 (NSCLC) 的治疗和预后至关重要.
• 由于报告不一致,目前的TNM分期面临着标准化和解释方面的挑战.
• 传统的NLP阶段测试方法受限于手册规则和可变性.

研究的目的:

• 开发和验证人工智能框架,以在NSCLC中实现强大高效的TNM分期.
• 通过使用快速工程和监督微调 (SFT) 来增强GLM-4-Air大型语言模型.
• 创建一个运营高效的AI解决方案,用于NSCLC分期的临床应用.

主要方法:

• 492个现实世界NSCLC成像报告的精选数据集与医生验证的TNM注释 (AJCC第8版).
• 代提示工程与思维链和领域知识注入用于GLM-4-Air.
• 参数高效的SFT使用LoRA进行T和N分阶段,创建混合模型.
• 在持有测试集上的评估,与GPT-4o进行基准测试,包括临床影响分析.

主要成果:

• 混合型GLM-4-Air型号实现了卓越的分阶精度:T 92%,N 86%,M 92%,整体90%,超过了GPT-4o (T 87%,N 70%,M 78%,整体80%).
• 该模型的宏观平均F1分数为T 0.914,N 0.815,M 0.831,超过了GPT-4o的分数.
• 显著减少了严重的I类分期错误,M分期错误为零,T/N分期错误更少.
• 在消费级硬件上进行高效推断的实用部署.

结论:

• 混合AI框架提供了一个高度准确,临床可靠和成本效益高的自动化NSCLCTNM分期解决方案.
• 域优化的较小模型,如增强的GLM-4-Air,与通用模型相比,显示出显著的潜力.
• 这种方法有望改善资源有限的医疗保健机构的诊断标准化.