将生成性AI集成到乳腺癌的诺姆图中 节点风险预测
Anika Shah1, Jordan A Love1,2, Matthew Butler1,2,3
1Division of Breast Surgery, Department of Surgery, Brigham and Women's Hospital, Boston, MA, USA.
Annals of surgical oncology
|March 13, 2026
概括
大型语言模型 (LLM) 可以提取乳腺癌哨兵淋巴结 (SLN) 转移数据,但需要特定提示来准确预测风险. 目前针对基于名ogram的风险的AI自动化可能不会超过优化成本.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 哨戒淋巴结 (SLN) 转移诺基图有助于早期乳腺癌的外科决定.
- 诺米图的使用受到变量审查和输入所需的努力的限制.
- 本研究探讨了大型语言模型 (LLM) 对SLN转移风险预测的有用性.
研究的目的:
- 为了评估OpenAI的LLM's能够提取用于名ogram使用的数据的能力.
- 评估LLM在使用已确立的名ograms复制SLN转移率的表现.
- 将人工智能产生的风险估计与来自医生的预测进行比较.
主要方法:
- 分析了20名早期乳腺癌患者的非识别放射学和病理学笔记.
- 测试了三个LLM提示策略,包括直接估计,名ogram使用和思维链推理.
- 人工智能生成的SLN转移风险预测与手动医生计算进行了比较.
主要成果:
- 在65-80%的病例中,OpenAI o1提取了所有临床变量,瘤大小经常被错误识别.
- 关于风险预测的初始LLM-医生协议很低 (0-10%的准确匹配),表明中等可靠性 (ICC,0.57-0.62).
- 一个优化的GPT-4o快速显著提高了一致性 (25%的准确匹配,90%接近一致) 和可靠性 (ICC,0.95).
结论:
- 从临床笔记中,LLM可以提取必要的诺莫格拉姆输入.
- 特定任务的提示工程对于精确的AI驱动的SLN转移风险估计至关重要.
- 目前用于基于名录的风险预测的AI自动化可能需要大量资源进行优化.
更多相关视频
06:46Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery
Published on: September 27, 2024
988
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
842
