用大型语言模型将患者与细胞表面向的临床试验相匹配
S Carson Callahan1, Matthew R Chrostek1, Nicholas Rydzewski1,2
1Department of Human Oncology, University of Wisconsin, Madison, WI.
JCO precision oncology
|March 5, 2026
概括
一个新的大型语言模型 (LLM) 管道准确地识别了细胞表面向疗法 (CST) 临床试验. 这项技术通过自动化试验匹配来改善患者获得新型癌症治疗的机会.
科学领域:
- 在瘤学瘤学.
- 生物技术是生物技术.
- 人工智能的人工智能
背景情况:
- 细胞表面向疗法 (CST) 提供精确的癌症治疗,降低毒性.
- 复杂的标准和碎片化的数据库阻碍了患者与CST临床试验的匹配,限制了访问和积累.
研究的目的:
- 开发和评估一个大型语言模型 (LLM) 驱动的管道,用于CST临床试验的自动识别和注释.
- 创建一个开放的CST试验及其目标的最新数据库.
主要方法:
- 利用双方向的LLM方法从clinicaltrials.gov和国家癌症研究所药物数据库中提取目标信息.
- 与814个CST和814个非CST试验的手动策划数据对比,对包括GPT-4o在内的8个LLM进行了基准分析.
- 评估目标和试验级别的模型性能,分析错误来源.
主要成果:
- GPT-4o在识别CST试验 (96.5%) 和目标 (89.5%) 中表现出高准确度.
- 通过结合数据源和后期试验阶段,性能得到了改善;错误主要是由于模糊的描述.
- 该模型成功匹配了全球高百分比的试验,Gemma 3:27b和MedLlama3在细胞表面目标预测方面显示出希望.
结论:
- 基于LLM的方法可为CST提供实时,自动化的患者试验匹配,从而提高可访问性.
- 这种方法解决了临床试验招生和成功的关键障碍.
- 预计LLM的持续发展将进一步优化患者和试验的匹配,以改善结果.


