EXACT-Net:EHR-guided lung tumor auto-segmentation for non-small cell lung cancer radiotherapy

要約

肺がんは、がんの種類の中で最も死亡率が高い重篤な病気です。
診断の 87% を占める非小細胞肺がん (NSCLC) 患者の 60% 以上が放射線療法を必要としています。
治療を迅速に開始すると、患者の生存率が大幅に向上し、死亡率が低下します。
正確な腫瘍セグメンテーションは、NSCLC の診断と治療における重要なステップです。
手動によるセグメント化は時間と労力がかかり、治療の開始が遅れる原因になります。
深層学習ベースのモデルを含む多くの肺結節検出方法が提案されていますが、これらの方法のほとんどでは偽陽性 (FP) が高いという長年の問題が依然として存在します。
ここでは、EXACT-Net (腫瘍セグメンテーションにおける EHR 拡張 eXACtitude) と呼ばれる電子医療記録 (EHR) による肺腫瘍自動セグメンテーションを開発しました。このシステムでは、事前にトレーニングされた大規模言語モデル (LLM) を使用して EHR から抽出された情報が、
FP を除去し、TP 結節のみを保持するために使用されます。
自動セグメンテーション モデルは NSCLC 患者のコンピューター断層撮影 (CT) でトレーニングされ、事前トレーニングされた LLM がゼロショット学習アプローチで使用されました。
私たちのアプローチは、私たちの施設で治療を受けた 10 人の NSCLC 患者からのデータを使用して結節検出の成功率を 250% 向上させました。

要約(オリジナル)

Lung cancer is a devastating disease with the highest mortality rate among cancer types. Over 60% of non-small cell lung cancer (NSCLC) patients, which accounts for 87% of diagnoses, require radiation therapy. Rapid treatment initiation significantly increases the patient’s survival rate and reduces the mortality rate. Accurate tumor segmentation is a critical step in the diagnosis and treatment of NSCLC. Manual segmentation is time and labor-consuming and causes delays in treatment initiation. Although many lung nodule detection methods, including deep learning-based models, have been proposed, there is still a long-standing problem of high false positives (FPs) with most of these methods. Here, we developed an electronic health record (EHR) guided lung tumor auto-segmentation called EXACT-Net (EHR-enhanced eXACtitude in Tumor segmentation), where the extracted information from EHRs using a pre-trained large language model (LLM), was used to remove the FPs and keep the TP nodules only. The auto-segmentation model was trained on NSCLC patients’ computed tomography (CT), and the pre-trained LLM was used with the zero-shot learning approach. Our approach resulted in a 250% boost in successful nodule detection using the data from ten NSCLC patients treated in our institution.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google