Fugu-MT 論文翻訳(概要): Predicting Lung Cancer Patient Prognosis with Large Language Models

論文の概要: Predicting Lung Cancer Patient Prognosis with Large Language Models

arxiv url: http://arxiv.org/abs/2408.07971v1
Date: Thu, 15 Aug 2024 06:36:27 GMT
ステータス: 処理完了
システム内更新日: 2024-08-16 14:46:15.983840
Title: Predicting Lung Cancer Patient Prognosis with Large Language Models
Title（参考訳）: 言語モデルを用いた肺癌患者の予後予測
Authors: Danqing Hu, Bing Liu, Xiang Li, Xiaofeng Zhu, Nan Wu,
Abstract要約: 大規模言語モデル(LLM)は、広範な学習知識に基づいてテキストを処理・生成する能力に注目されている。肺癌患者の予後予測におけるGPT-4o miniおよびGPT-3.5の有用性について検討した。
参考スコア（独自算出の注目度）: 20.97970447748789
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: 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.
Abstract（参考訳）: 予後予測は、肺癌患者に対する最適な治療計画を決定するために重要である。伝統的に、そのような予測は、振り返り患者のデータから開発されたモデルに依存していた。近年,大規模な言語モデル (LLM) が注目されている。本研究では,肺癌患者の予後予測におけるGPT-4o miniおよびGPT-3.5の有用性について検討した。我々は、生存と術後合併症の2つのデータセットを収集し、モデルの性能を総合的に評価するために複数のタスクを設計した。対物回帰モデルも比較のベースラインとして開発された。その結果, 肺がんの予後予測において, 追加の患者データを使用しないにもかかわらず, データ駆動ロジスティック回帰モデルと比較すると, 肺がんの予後予測の性能が向上することが示唆された。これらの結果から, LLMは肺癌の予後予測に有効である可能性が示唆された。

関連論文リスト

Enhancing End Stage Renal Disease Outcome Prediction: A Multi-Sourced Data-Driven Approach [7.212939068975618]
10,326人のCKD患者のデータを利用して,2009年から2018年までの臨床とクレーム情報を組み合わせた。 24ヶ月の観測窓は早期検出と予測精度のバランスをとるのに最適であると同定された。 2021年のeGFR方程式は予測精度を改善し、特にアフリカ系アメリカ人の偏見を低減した。
論文参考訳（メタデータ） (2024-10-02T03:21:01Z)
Towards Interpretable End-Stage Renal Disease (ESRD) Prediction: Utilizing Administrative Claims Data with Explainable AI Techniques [6.417777780911223]
本研究は,慢性腎臓病(CKD)から末期腎疾患(ESRD)への進行を予測するために,高度な機械学習とディープラーニング技術を組み合わせた管理クレームデータを活用する可能性を検討する。我々は、ランダムフォレストやXGBoostといった従来の機械学習手法とLong Short-Term Memory(LSTM)ネットワークのようなディープラーニングアプローチを用いて、大手医療保険会社が提供した包括的10年間のデータセットを分析し、複数の観測窓の予測モデルを開発する。以上の結果から,LSTMモデル,特に24ヶ月の観測窓を用いた場合,ESRD進行予測において優れた性能を示した。
論文参考訳（メタデータ） (2024-09-18T16:03:57Z)
The Power of Combining Data and Knowledge: GPT-4o is an Effective Interpreter of Machine Learning Models in Predicting Lymph Node Metastasis of Lung Cancer [18.32753287825974]
リンパ節転移(LNM)は肺癌患者の早期治療を決定する重要な因子である。近年,大きな言語モデル (LLM) が注目されている。本稿では,LLMが取得した医療知識と機械学習モデルで同定した潜伏パターンを組み合わせた新しいアンサンブル手法を提案する。
論文参考訳（メタデータ） (2024-07-25T09:42:24Z)
Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。深層学習は、医療を含む様々な応用においてその優位性を示している。
論文参考訳（メタデータ） (2024-02-02T00:31:01Z)
MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文参考訳（メタデータ） (2023-10-04T01:36:30Z)
Deep learning methods for drug response prediction in cancer: predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文参考訳（メタデータ） (2022-11-18T03:26:31Z)
Machine Learning-Assisted Recurrence Prediction for Early-Stage Non-Small-Cell Lung Cancer Patients [10.127130900852405]
再発リスクによるがん患者の成層化は、自身のケアをパーソナライズすることができる。本研究では,早期非小細胞肺癌患者の再発確率を機械学習を用いて推定する方法を提案する。
論文参考訳（メタデータ） (2022-11-17T19:34:16Z)
Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。今回,最も多い患者,すなわち30日間の寛解率について検討した。
論文参考訳（メタデータ） (2022-11-13T01:07:23Z)
Synthesizing time-series wound prognosis factors from electronic medical records using generative adversarial networks [0.0]
創傷予後因子を合成するためにgans(time series medical generative adversarial networks)を開発した。条件付きトレーニング戦略は, 癒しや非癒しの観点から, 訓練の強化と分類データの生成に活用された。
論文参考訳（メタデータ） (2021-05-03T20:26:48Z)
Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文参考訳（メタデータ） (2020-05-10T01:45:03Z)
Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文参考訳（メタデータ） (2020-02-06T16:39:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。