将大型语言模型与深度学习集成为乳腺癌治疗决策支持

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:

• 乳腺癌的分子异质性使治疗决策复杂化.
• 病理学报告和电子医疗记录 (EMR) 对于治疗规划至关重要.
• 对于复杂的乳腺癌病例,需要标准化和可靠的决策支持.

研究的目的:

• 开发一个综合临床决策支持系统 (CDSS).
• 将基于大型语言模型 (LLM) 的病理分析与深度学习结合起来,用于治疗预测.
• 支持标准化和可靠的乳腺癌治疗决策.

主要方法:

• 分析了来自5015名乳腺癌患者的现实数据.
• 利用Meta-Llama-3-8B-Instruct从病理学报告中自动提取TNM阶段和瘤大小.
• 综合提取的病理学数据与EMR变量用于16种治疗组合的多标签分类,使用6种机器学习模型 (决策树,随机森林,GBM,XGBoost,DNN,变压器).

主要成果:

• 渐变增强机 (GBM) 和XGBoost模型使用结合LLM提取的病理学和EMR特征实现了最高的预测性能 (宏F1 ≈ 0.88-0.89;AUC = 0.867-0.868).
• 决策树和随机森林显示中等,可靠的性能 (宏F1 = 0.84-0.86;AUC = 0.849-0.821).
• 深度神经网络 (DNN) 和变压器模型的得分较低,这表明渐变增强组合更适合表式医学数据.

结论:

• 开发的基于AI的CDSS提高了乳腺癌治疗决策支持的准确性和一致性.
• 自动化病理学解释和深度学习的整合显示了对现实世界癌症护理的潜力.
• 梯度增强组合方法为乳腺癌提供了临床可靠的治疗建议.