TCGA-Reports: A machine-readable pathology report resource for benchmarking text-based AI models.
TCGA-Reports：用於評估基於文本的人工智慧模型的機器可讀病理報告資源。 Patterns (N Y) 2024-03-16

病理報告在癌症研究中很重要，但常被忽略。最近OCR和NLP技術進步，可從報告中提取資訊。透過這些技術，從9523份報告建立新數據集，可準確分類32種組織的癌症類型。對臨床NLP、臨床試驗和臨床醫師都有幫助。 PubMed DOI

Automated Extraction of Patient-Centered Outcomes After Breast Cancer Treatment: An Open-Source Large Language Model-Based Toolkit.
乳癌治療後以病人為中心的結果自動提取：一個基於開源大型語言模型的工具包。 JCO Clin Cancer Inform 2024-08-21

以病人為中心的結果（PCOs）在癌症治療中非常重要，因為它們能反映病人的生活品質。然而，關於乳腺癌的發病率和生存率的數據，尤其是治療副作用和依從性影響的研究，通常僅限於小型研究或單一機構。為了解決這個問題，我們使用大型語言模型（LLMs）如GPT-2等，從梅奧診所、埃默里大學醫院和史丹佛大學的臨床筆記中提取PCOs。我們開發了一個開源框架，微調LLMs以提升PCO提取的準確性，結果顯示微調後的模型表現顯著優於未微調的模型。 PubMed DOI

Leveraging Large Language Models for Precision Monitoring of Chemotherapy-Induced Toxicities: A Pilot Study with Expert Comparisons and Future Directions.
利用大型語言模型精確監測化療引起的毒性：與專家比較的初步研究及未來方向。 Cancers (Basel) 2024-08-29

大型語言模型（LLMs），如OpenAI的GPT系列，在醫學領域展現潛力，特別是在腫瘤學中。研究評估了LLM在分類化療引起的主觀毒性方面的能力，結果顯示LLM在一般毒性類別的準確率為85.7%，但在特定類別的準確率僅為64.6%。雖然LLM的表現與腫瘤科醫生相當，但特定類別的準確性仍需改進。未來研究應聚焦於真實病人的驗證及即時互動能力，並考量數據準確性和隱私等倫理問題。總體而言，LLMs有潛力提升病人護理質量與效率。 PubMed DOI

Large language model produces high accurate diagnosis of cancer from end-motif profiles of cell-free DNA.
大型語言模型從游離DNA的末端特徵檔案中產生高準確度的癌症診斷。 Brief Bioinform 2024-09-02

這項研究介紹了iLLMAC，一個經過指令調整的大型語言模型，專注於利用游離DNA（cfDNA）進行癌症檢測。iLLMAC在1,135名癌症患者和1,106名對照組的血漿cfDNA數據上訓練，癌症診斷的AUROC達0.866，肝細胞癌（HCC）檢測則達0.924。隨著末端動機數量增加，性能提升，使用64個末端動機時，癌症診斷AUROC達0.886，HCC檢測AUROC達0.956。外部測試中，iLLMAC仍表現優異，顯示出基於LLM的指令調整在cfDNA癌症檢測中的潛力。 PubMed DOI

OligoM-Cancer: A multidimensional information platform for deep phenotyping of heterogenous oligometastatic cancer.
OligoM-Cancer：一個多維度信息平台，用於深度表型分析異質性寡轉移癌。 Comput Struct Biotechnol J 2024-09-11

OligoM-Cancer平台的開發目的是為了解決寡轉移性癌症（OMC）的理解與治療挑戰。相較於多轉移性癌症，OMC對局部治療的反應較佳，但相關研究仍然不足，因此需要更系統的比較與個性化治療。該平台提供有關OMC的標記、診斷、預後及治療選項的全面資源，並擁有1345篇文獻和393個相關因素的資料庫。OligoM-Cancer利用現代網路技術，旨在提升數據可解釋性，增強臨床實踐，並支持大型語言模型在OMC領域的應用，促進深入分析與提高治療可靠性。 PubMed DOI

CPMKG: a condition-based knowledge graph for precision medicine.
CPMKG：一個基於病症的精準醫療知識圖譜。 Database (Oxford) 2024-09-27

個人化醫療透過個體特徵，特別是基因資料，來制定治療方案。研究顯示特定基因背景與藥物的劑量和副作用有關。傳統知識系統難以處理這些複雜數據，因此我們開發了CPMKG，一個全面的知識平台，整理了307,614條與藥物、疾病和基因相關的資料，分為四大類別：藥物副作用、敏感性、機制和適應症。CPMKG支援藥物中心探索和病症知識推理，並整合大型語言模型，提供易懂的數據解釋，是臨床研究的重要資源。欲了解更多，請訪問：https://www.biosino.org/cpmkg/. PubMed DOI

Validation of large language models for detecting pathologic complete response in breast cancer using population-based pathology reports.
利用基於人群的病理報告驗證大型語言模型在乳腺癌中檢測病理完全反應的效果。 BMC Med Inform Decis Mak 2024-10-04

這項研究評估大型語言模型（LLMs）在分析乳腺癌病理報告的有效性，特別是識別病理完全反應（pCR）。研究者使用兩種方法：提取不同變壓器模型的嵌入和微調GPT-2模型，分析351名接受新輔助化療的女性患者。優化後的結果顯示，敏感度達95.3%，陽性預測值90.9%，F1分數93.0%。這顯示LLMs在提取臨床數據上優於傳統機器學習模型，並強調其在改善病人護理和乳腺癌管理的潛力，但仍需進一步驗證以確保結果的可靠性。 PubMed DOI

Learning and actioning general principles of cancer cell drug sensitivity.
癌細胞藥物敏感性的一般原則學習與實踐。 Nat Commun 2025-02-14

這項研究探討如何利用高通量篩選癌細胞株來預測藥物敏感性，並改善抗腫瘤療法。研究人員結合細胞株的轉錄組學和大型語言模型，成功將藥物與其作用機制連結。結果顯示，重要基因與藥物作用機制有顯著關聯，證明模型能有效捕捉影響治療結果的因素。研究還驗證了對胰臟癌和膠質母細胞瘤患者有效的藥物，顯示整合轉錄組數據和建模技術在個性化癌症治療中的潛力。 PubMed DOI

Extracting Knowledge from Scientific Texts on Patient-Derived Cancer Models Using Large Language Models: Algorithm Development and Validation.
利用大型語言模型從患者衍生的癌症模型科學文本中提取知識：演算法開發與驗證。 bioRxiv 2025-02-20

病人衍生癌症模型（PDCMs）在癌症研究中越來越重要，相關文獻在過去十年顯著增加。本研究探討大型語言模型（LLMs）在自動提取與PDCM相關的科學文本實體的應用，評估了直接提示和軟提示兩種方法。研究使用了先進的LLMs，包括GPT4-o和LLaMA3系列的開放模型。結果顯示，雖然GPT4-o在直接提示下表現不錯，但軟提示顯著提升了較小開放模型的性能，使其結果可與專有模型媲美。本研究強調了LLMs在專業文本提取中的有效性，以及根據任務和模型類型調整方法的重要性。 PubMed DOI

Cancer gene identification through integrating causal prompting large language model with omics data-driven causal inference.
透過整合因果提示的大型語言模型與基因組數據驅動的因果推斷進行癌症基因識別。 Brief Bioinform 2025-03-12

這項研究提出了一個名為ICGI（整合性因果基因識別）的新框架，透過整合多種組學數據來識別與癌症相關的基因。傳統方法常因依賴一般化的相關性而產生偏差，未考慮混淆因素。ICGI利用大型語言模型（LLM），結合因果提示和數據驅動的特徵選擇，提升癌症基因識別的準確性。該框架在《癌症基因組圖譜》中測試了六種癌症的轉錄組數據，表現優於現有方法。此外，還開發了線上平台，讓用戶能輸入基因和癌症類型，自動評估基因的重要性，並提供清晰的解釋。不過，研究也指出目前的LLMs可能無法完全捕捉所有相關信息。 PubMed DOI

原始文章

站上相關主題文章列表