Enhancing Thyroid Cytology Diagnosis with RAG-Optimized LLMs and Pa-thology Foundation Models

要約

人工知能（AI）の進歩は、検索された生成（RAG）およびドメイン固有の基礎モデルを備えた大規模な言語モデル（LLM）を統合することにより、病理学を変換しています。
この研究では、甲状腺の細胞診診断のための病理基礎モデルと組み合わせたRAG強化LLMの適用を調査し、細胞学的解釈、標準化、診断精度の課題に対処します。
キュレーションされた知識ベースを活用することにより、Ragは関連するケーススタディ、診断基準、および専門家の解釈のDYナミック検索を促進し、LLMSの文脈的理解を改善します。
一方、高解像度の病理画像で訓練された病理学のファウンデーションモデルは、特徴の追加機能と分類機能を改良します。
これらのAI駆動型のアプローチの融合は、診断の一貫性を有効にし、変動性を低下させ、悪性甲状腺病変から良性を放棄する病理学者をサポートします。
我々の結果は、RAGと病理特異的LLMSを統合することで診断効率と解釈可能性が大幅に向上し、AIアシストの甲状腺細胞病理学の道を開くことができることを示しています。これにより、基礎モデルUNIは、甲状腺細胞学のサンプルからの外科対カル病理診断の正しい予測のためにAUC 0.73-0.93を達成します。

要約(オリジナル)

Advancements in artificial intelligence (AI) are transforming pathology by integrat-ing large language models (LLMs) with retrieval-augmented generation (RAG) and domain-specific foundation models. This study explores the application of RAG-enhanced LLMs coupled with pathology foundation models for thyroid cytology diagnosis, addressing challenges in cytological interpretation, standardization, and diagnostic accuracy. By leveraging a curated knowledge base, RAG facilitates dy-namic retrieval of relevant case studies, diagnostic criteria, and expert interpreta-tion, improving the contextual understanding of LLMs. Meanwhile, pathology foun-dation models, trained on high-resolution pathology images, refine feature extrac-tion and classification capabilities. The fusion of these AI-driven approaches en-hances diagnostic consistency, reduces variability, and supports pathologists in dis-tinguishing benign from malignant thyroid lesions. Our results demonstrate that integrating RAG with pathology-specific LLMs significantly improves diagnostic efficiency and interpretability, paving the way for AI-assisted thyroid cytopathology, with foundation model UNI achieving AUC 0.73-0.93 for correct prediction of surgi-cal pathology diagnosis from thyroid cytology samples.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google