面向罕见妇科肿瘤精准医疗的大语言模型赋能的数字孪生
计算与语言
2026-01-16 v1 人工智能
定量方法
机器学习
摘要
罕见妇科肿瘤（RGTs）因其低发病率和异质性而带来重大的临床挑战。缺乏明确的指南导致管理不善和预后不良。分子肿瘤委员会通过基于生物标志物（而非癌症类型）定制治疗，加速了有效疗法的获取。需要人工整理的非结构化数据阻碍了生物标志物分析在治疗匹配中的有效利用。本研究探索了使用大语言模型（LLMs）为罕见妇科肿瘤的精准医疗构建数字孪生。我们的概念验证数字孪生系统整合了来自机构病例和已发表病例（n=21）的临床和生物标志物数据以及文献衍生数据（n=655 篇出版物，n=404,265 名患者），为转移性子宫癌肉瘤创建量身定制的治疗计划，识别出传统单一来源分析可能遗漏的方案。LLM 赋能的数字孪生有效地模拟了个体患者的轨迹。转向基于生物学而非器官的肿瘤定义，可以实现个性化护理，从而可能推进罕见妇科肿瘤的管理，进而改善患者预后。
引用
@article{arxiv.2409.00544,
title = {Large Language Models-Enabled Digital Twins for Precision Medicine in Rare Gynecological Tumors},
author = {Jacqueline Lammert and Nicole Pfarr and Leonid Kuligin and Sonja Mathes and Tobias Dreyer and Luise Modersohn and Patrick Metzger and Dyke Ferber and Jakob Nikolas Kather and Daniel Truhn and Lisa Christine Adams and Keno Kyrill Bressem and Sebastian Lange and Kristina Schwamborn and Martin Boeker and Marion Kiechle and Ulrich A. Schatz and Holger Bronger and Maximilian Tschochohei},
journal= {arXiv preprint arXiv:2409.00544},
year = {2026}
}
备注
20 pages, 2 figures, 3 tables, supplements, original article