MatchMiner-AI：面向癌症临床试验匹配的开源解决方案
人工智能
2026-01-16 v3 机器学习
摘要
背景：临床试验是推动癌症治疗的关键，但不到10%的成人患者会报名参加试验，且许多研究未能达到招募目标。人工智能(AI)可改善患者适当试验的识别，但由于隐私限制，分享在受保护健康信息上训练的AI模型仍然困难。方法：我们开发了MatchMiner-AI，一个基于合成电子健康记录(EHR)数据训练的临床试验搜索和排序开源平台。系统从纵向EHR文本中提取核心临床标准，将患者摘要和试验"空间"(目标人群)嵌入共享向量空间以实现快速检索。随后应用自定义文本分类器评估每个患者-试验配对是否为临床上合理的考虑。该管道在真实临床数据上进行了评估。结果：在针对真实EHR数据的回溯性评估中，微调后的管道超越了基线文本嵌入方法。对于已参加试验的患者，90%的前20个推荐试验是相关匹配(相较于基线模型的17%)。对于接受标准护理治疗的患者，前20个匹配项中有88%是相关匹配(相较于基线模型的14%)。文本分类模块对候选患者-试验空间匹配可行性表现出强烈区分度(AUROC 0.94-0.98)；整合这些组件后，跨患者和试验中心使用情况下的平均精度稳定提升至约0.90。合成训练数据、模型权重、推理工具和演示前端已公开。结论：MatchMiner-AI展示了一个基于LLM生成的合成EHR数据中提炼的开放式、隐私保护的临床试验匹配AI管道。
引用
@article{arxiv.2412.17228,
title = {MatchMiner-AI: An Open-Source Solution for Cancer Clinical Trial Matching},
author = {Jennifer Altreuter and Pavel Trukhanov and Morgan A. Paul and Michael J. Hassett and Irbaz B. Riaz and Muhammad Umar Afzal and Arshad A. Mohammed and Sarah Sammons and James Lindsay and Emily Mallaber and Harry R. Klein and Gufran Gungor and Matthew Galvin and Michael Deletto and Stephen C. Van Nostrand and James Provencher and Joyce Yu and Naeem Tahir and Jonathan Wischhusen and Olga Kozyreva and Taylor Ortiz and Hande Tuncer and Jad El Masri and Alys Malcolm and Tali Mazor and Ethan Cerami and Kenneth L. Kehl},
journal= {arXiv preprint arXiv:2412.17228},
year = {2026}
}