Predicting Lung Cancer Patient Prognosis with Large Language Models

要約

予後予測は、肺がん患者の最適な治療計画を決定するために重要です。
従来、このような予測は遡及的な患者データから開発されたモデルに依存していました。
最近、大規模言語モデル (LLM) が、広範な学習知識に基づいてテキストを処理および生成する機能で注目を集めています。
この研究では、肺がん患者の予後予測における GPT-4o mini と GPT-3.5 の可能性を評価します。
我々は、生存データセットと術後合併症データセットという 2 つの予後データセットを収集し、モデルのパフォーマンスを包括的に評価するための複数のタスクを設計しました。
ロジスティック回帰モデルも比較のベースラインとして開発されました。
実験結果は、追加の患者データを使用しないにもかかわらず、LLM がデータ駆動型ロジスティック回帰モデルと比較して肺がんの予後予測において競合的で、一部のタスクでは優れたパフォーマンスを達成できることを示しています。
これらの発見は、特に患者データが限られているか入手できない場合に、LLM が肺がんの予後予測に効果的なツールとなり得ることを示唆しています。

要約(オリジナル)

Prognosis prediction is crucial for determining optimal treatment plans for lung cancer patients. Traditionally, such predictions relied on models developed from retrospective patient data. Recently, large language models (LLMs) have gained attention for their ability to process and generate text based on extensive learned knowledge. In this study, we evaluate the potential of GPT-4o mini and GPT-3.5 in predicting the prognosis of lung cancer patients. We collected two prognosis datasets, i.e., survival and post-operative complication datasets, and designed multiple tasks to assess the models’ performance comprehensively. Logistic regression models were also developed as baselines for comparison. The experimental results demonstrate that LLMs can achieve competitive, and in some tasks superior, performance in lung cancer prognosis prediction compared to data-driven logistic regression models despite not using additional patient data. These findings suggest that LLMs can be effective tools for prognosis prediction in lung cancer, particularly when patient data is limited or unavailable.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google