Reasoning Language Model for Personalized Lung Cancer Screening

📄 arXiv: 2509.06169v1 📥 PDF

作者: Chuang Niu, Ge Wang

分类: cs.LG, cs.AI

发布日期: 2025-09-07

💡 一句话要点

提出推理语言模型，融合影像与病历，实现个性化肺癌筛查风险评估

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 肺癌筛查 风险评估 推理语言模型 Lung-RADS 个性化医疗

📋 核心要点

  1. Lung-RADS仅依赖结节特征评估风险，忽略了其他风险因素，导致敏感性和特异性之间存在权衡。
  2. 提出推理语言模型（RLM），融合放射学发现和纵向病历，进行个性化肺癌风险评估。
  3. 实验结果表明，RLM在国家肺癌筛查试验数据集上显著提高了风险预测性能，并提升了模型的可解释性。

📝 摘要（中文）

肺癌筛查中准确的风险评估对于早期癌症检测和减少不必要的侵入性检查至关重要。肺部CT筛查报告和数据系统（Lung-RADS）已被广泛用作患者管理和随访的标准框架。然而，Lung-RADS在敏感性和特异性之间面临权衡，因为它仅基于肺结节特征来分层风险，而没有纳入各种风险因素。本文提出了一种推理语言模型（RLM），将放射学发现与纵向病历相结合，用于个体化的肺癌风险评估。通过包括数据集构建和提炼、监督微调、强化学习和综合评估在内的系统研究，我们的模型在国家肺癌筛查试验的数据集上显著提高了风险预测性能。值得注意的是，RLM可以将风险评估任务分解为子组件，分析各种风险因素的贡献，并将它们合成为最终的风险评分，该评分使用我们的数据驱动系统方程计算。我们的方法通过思维链推理过程提高了预测准确性和可监控性，从而促进了临床转化为肺癌筛查。

🔬 方法详解

问题定义：现有Lung-RADS系统在肺癌筛查风险评估中存在局限性，主要体现在其仅依赖肺结节的特征进行风险分层，忽略了患者的纵向病历信息和其他重要的风险因素。这导致了敏感性和特异性之间的权衡，可能造成不必要的侵入性检查，并影响早期癌症检测的准确性。因此，需要一种能够整合多源信息，进行更精确、个性化风险评估的方法。

核心思路：本文的核心思路是利用大型语言模型（LLM）的推理能力，构建一个推理语言模型（RLM），将放射学发现（如CT扫描结果）与患者的纵向病历信息相结合。通过模仿医生进行风险评估的思维过程，RLM能够分析各种风险因素的贡献，并将它们综合成一个最终的风险评分。这种方法旨在提高预测准确性，并提供可解释的推理过程，从而增强临床医生对评估结果的信任。

技术框架：RLM的整体框架包括以下几个主要阶段：1) 数据集构建与提炼：收集并整理包含放射学报告和纵向病历信息的肺癌筛查数据集。2) 监督微调：使用标注的风险评估数据对语言模型进行微调，使其能够初步学习风险预测任务。3) 强化学习：利用强化学习方法，进一步优化模型的推理能力，使其能够更好地分解风险评估任务，并分析不同风险因素的贡献。4) 综合评估：在独立的测试集上评估模型的性能，并与现有的Lung-RADS系统进行比较。

关键创新：该论文的关键创新在于提出了一个基于语言模型的推理框架，能够将结构化的放射学数据和非结构化的病历信息整合起来，进行个性化的肺癌风险评估。与传统的基于规则或统计模型的风险评估方法相比，RLM能够更好地捕捉复杂的关系和模式，并提供可解释的推理过程。此外，通过强化学习的优化，RLM能够学习到更有效的风险因素分析策略。

关键设计：RLM的关键设计包括：1) 使用预训练的语言模型作为基础模型，利用其强大的语言理解和生成能力。2) 设计特定的提示工程（prompt engineering），引导模型进行思维链推理，分解风险评估任务。3) 使用强化学习算法，例如策略梯度方法，优化模型的推理策略，奖励准确的风险预测和可解释的推理过程。4) 构建数据驱动的系统方程，将各种风险因素的贡献合成为最终的风险评分。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，RLM在国家肺癌筛查试验数据集上显著提高了风险预测性能。相较于传统的Lung-RADS系统，RLM在风险预测的准确性方面取得了显著提升，并且能够提供可解释的推理过程，帮助医生更好地理解评估结果。具体的性能提升数据在摘要中未明确给出，属于未知信息。

🎯 应用场景

该研究成果可应用于临床肺癌筛查，辅助医生进行更准确、个性化的风险评估。通过整合影像学报告和患者病历，该模型能够识别高风险人群，减少不必要的侵入性检查，并提高早期肺癌的检出率。未来，该技术有望扩展到其他疾病的风险评估和诊断，提升医疗决策的智能化水平。

📄 摘要（原文）

Accurate risk assessment in lung cancer screening is critical for enabling early cancer detection and minimizing unnecessary invasive procedures. The Lung CT Screening Reporting and Data System (Lung-RADS) has been widely used as the standard framework for patient management and follow-up. Nevertheless, Lung-RADS faces trade-offs between sensitivity and specificity, as it stratifies risk solely based on lung nodule characteristics without incorporating various risk factors. Here we propose a reasoning language model (RLM) to integrate radiology findings with longitudinal medical records for individualized lung cancer risk assessment. Through a systematic study including dataset construction and distillation, supervised fine-tuning, reinforcement learning, and comprehensive evaluation, our model makes significant improvements in risk prediction performance on datasets in the national lung screening trial. Notably, RLM can decompose the risk evaluation task into sub-components, analyze the contributions of diverse risk factors, and synthesize them into a final risk score computed using our data-driven system equation. Our approach improves both predictive accuracy and monitorability through the chain of thought reasoning process, thereby facilitating clinical translation into lung cancer screening.