Predicting Lung Cancer Patient Prognosis with Large Language Models

📄 arXiv: 2408.07971v1 📥 PDF

作者: Danqing Hu, Bing Liu, Xiang Li, Xiaofeng Zhu, Nan Wu

分类: cs.CL

发布日期: 2024-08-15

💡 一句话要点

利用大型语言模型预测肺癌患者预后，无需额外患者数据

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 肺癌预后 大型语言模型 GPT-4o GPT-3.5 生存预测 并发症预测 临床决策支持 自然语言处理

📋 核心要点

  1. 传统肺癌预后预测依赖于回顾性数据模型，面临数据依赖性和泛化性挑战。
  2. 论文探索利用大型语言模型（LLM）的先验知识，无需额外患者数据进行预后预测。
  3. 实验表明，LLM在生存和并发症预测任务上，性能可与甚至优于传统Logistic回归模型。

📝 摘要（中文）

预后预测对于确定肺癌患者的最佳治疗方案至关重要。传统上，此类预测依赖于从回顾性患者数据中开发的模型。最近，大型语言模型（LLM）因其基于广泛学习知识处理和生成文本的能力而备受关注。本研究评估了GPT-4o mini和GPT-3.5在预测肺癌患者预后方面的潜力。我们收集了两个预后数据集，即生存数据集和术后并发症数据集，并设计了多个任务来全面评估模型的性能。还开发了Logistic回归模型作为比较的基线。实验结果表明，与数据驱动的Logistic回归模型相比，LLM在肺癌预后预测中可以实现具有竞争力的性能，在某些任务中甚至表现更优，尽管没有使用额外的患者数据。这些发现表明，LLM可以成为肺癌预后预测的有效工具，尤其是在患者数据有限或不可用时。

🔬 方法详解

问题定义：肺癌预后预测旨在根据患者的临床信息预测其生存期或术后并发症等。现有方法主要依赖于从历史患者数据中训练的统计模型或机器学习模型，这些模型需要大量的标注数据，并且在数据稀缺或分布变化的情况下表现不佳。此外，这些模型通常缺乏对医学知识的理解，难以进行更深入的分析和解释。

核心思路：本研究的核心思路是利用大型语言模型（LLM）在大量文本数据上预训练获得的医学知识，直接进行肺癌预后预测，而无需针对特定患者数据进行额外的训练。通过设计合适的prompt，引导LLM利用其内在的知识进行推理和预测。

技术框架：该研究的技术框架主要包括数据收集与准备、任务设计、模型选择与评估三个阶段。首先，收集生存和术后并发症两个肺癌预后数据集。然后，针对每个数据集设计多个预测任务，例如生存时间预测、并发症发生概率预测等。最后，选择GPT-4o mini和GPT-3.5作为LLM，并与Logistic回归模型进行对比评估。

关键创新：本研究的关键创新在于探索了利用LLM进行肺癌预后预测的可能性，并验证了LLM在数据有限或不可用的情况下，可以达到甚至超过传统数据驱动模型的性能。这种方法摆脱了对大量标注数据的依赖，为预后预测提供了一种新的思路。

关键设计：在任务设计方面，研究人员设计了多种prompt，以引导LLM进行预后预测。例如，对于生存时间预测任务，prompt可能包含患者的临床信息，并要求LLM预测其生存时间。对于并发症发生概率预测任务，prompt可能包含患者的术前信息，并要求LLM预测其发生特定并发症的概率。此外，研究人员还探索了不同的评估指标，以全面评估LLM的性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，在肺癌预后预测任务中，GPT-4o mini和GPT-3.5在某些任务上优于传统的Logistic回归模型，尤其是在数据有限的情况下。例如，在生存时间预测任务中，LLM的C-index指标优于Logistic回归模型。这表明LLM在利用先验知识进行预后预测方面具有潜力。

🎯 应用场景

该研究成果可应用于临床辅助决策支持系统，帮助医生在患者数据有限的情况下，快速评估肺癌患者的预后风险，制定更合理的治疗方案。此外，该方法还可以扩展到其他疾病的预后预测，为医疗领域的智能化发展提供新的思路。

📄 摘要（原文）

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.