CancerGUIDE：通过内部分歧估计的癌症指南理解
机器学习
2025-11-07 v2
摘要
美国国家综合癌症网络（NCCN）为癌症治疗提供循证指南。将复杂的患者表现转化为符合指南的治疗建议耗时、需要专业知识且容易出错。大型语言模型（LLM）能力的进步有望减少生成治疗建议所需的时间并提高准确性。我们提出了一种基于LLM智能体的方法，用于自动生成非小细胞肺癌（NSCLC）患者的符合指南的治疗轨迹。我们的贡献有三方面。首先，我们构建了一个包含121例NSCLC患者的新型纵向数据集，包括临床就诊、诊断结果和病史，每个病例均由经委员会认证的肿瘤学家专家标注了相应的NCCN指南轨迹。其次，我们证明现有的LLM具备领域特定知识，能够为模型开发和评估生成高质量的代理基准，与专家标注的基准实现了强相关性（Spearman系数r=0.88，RMSE=0.08）。第三，我们开发了一种混合方法，结合昂贵的人工标注与模型一致性信息，创建了预测患者相关指南的智能体框架，以及一个元分类器，该分类器以校准的置信度分数验证治疗建议的预测准确性（AUROC=0.800），这对于传达输出的准确性、定制性能权衡以及支持监管合规至关重要。这项工作为临床可行的基于LLM的指南遵循系统建立了一个框架，该系统在降低标注成本的同时平衡了准确性、可解释性和监管要求，为自动化临床决策支持提供了一条可扩展的路径。
引用
@article{arxiv.2509.07325,
title = {CancerGUIDE: Cancer Guideline Understanding via Internal Disagreement Estimation},
author = {Alyssa Unell and Noel C. F. Codella and Sam Preston and Peniel Argaw and Wen-wai Yim and Zelalem Gero and Cliff Wong and Rajesh Jena and Eric Horvitz and Amanda K. Hall and Ruican Rachel Zhong and Jiachen Li and Shrey Jain and Mu Wei and Matthew Lungren and Hoifung Poon},
journal= {arXiv preprint arXiv:2509.07325},
year = {2025}
}