論文の概要: Enhancing Pancreatic Cancer Staging with Large Language Models: The Role of Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2503.15664v1
• Date: Wed, 19 Mar 2025 19:29:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 16:34:50.587332
• Title: Enhancing Pancreatic Cancer Staging with Large Language Models: The Role of Retrieval-Augmented Generation
• Title（参考訳）: 大規模言語モデルによる膵癌ステージングの促進:検索・拡張世代の役割
• Authors: Hisashi Johno, Yuki Johno, Akitomo Amakawa, Junichi Sato, Ryota Tozuka, Atsushi Komaba, Hiroaki Watanabe, Hiroki Watanabe, Chihiro Goto, Hiroyuki Morisaka, Hiroshi Onishi, Kazunori Nakamoto,
• Abstract要約: RAGは、信頼性のある外部知識(REK)から関連する情報を取得することにより、大規模言語モデル(LLM)の機能と信頼性を高める技術である。 膵癌ステージング実験において, NotebookLM を内部 LLM である Gemini 2.0 Flash と比較した。 検索したREK抽出液の有効性に基づいて検索精度を定量化した。
• 参考スコア（独自算出の注目度）: 0.39843531413098965
• License:
• Abstract: Purpose: Retrieval-augmented generation (RAG) is a technology to enhance the functionality and reliability of large language models (LLMs) by retrieving relevant information from reliable external knowledge (REK). RAG has gained interest in radiology, and we previously reported the utility of NotebookLM, an LLM with RAG (RAG-LLM), for lung cancer staging. However, since the comparator LLM differed from NotebookLM's internal model, it remained unclear whether its advantage stemmed from RAG or inherent model differences. To better isolate RAG's impact and assess its utility across different cancers, we compared NotebookLM with its internal LLM, Gemini 2.0 Flash, in a pancreatic cancer staging experiment. Materials and Methods: A summary of Japan's pancreatic cancer staging guidelines was used as REK. We compared three groups - REK+/RAG+ (NotebookLM with REK), REK+/RAG- (Gemini 2.0 Flash with REK), and REK-/RAG- (Gemini 2.0 Flash without REK) - in staging 100 fictional pancreatic cancer cases based on CT findings. Staging criteria included TNM classification, local invasion factors, and resectability classification. In REK+/RAG+, retrieval accuracy was quantified based on the sufficiency of retrieved REK excerpts. Results: REK+/RAG+ achieved a staging accuracy of 70%, outperforming REK+/RAG- (38%) and REK-/RAG- (35%). For TNM classification, REK+/RAG+ attained 80% accuracy, exceeding REK+/RAG- (55%) and REK-/RAG- (50%). Additionally, REK+/RAG+ explicitly presented retrieved REK excerpts, achieving a retrieval accuracy of 92%. Conclusion: NotebookLM, a RAG-LLM, outperformed its internal LLM, Gemini 2.0 Flash, in a pancreatic cancer staging experiment, suggesting that RAG may improve LLM's staging accuracy. Furthermore, its ability to retrieve and present REK excerpts provides transparency for physicians, highlighting its applicability for clinical diagnosis and classification.
• Abstract（参考訳）: 目的:Retrieval-augmented Generation (RAG)は,信頼性のある外部知識(REK)から関連情報を取得することにより,大規模言語モデル(LLM)の機能と信頼性を高める技術である。 RAGは放射線学に興味を持ち,RAG-LLM(RAG-LLM)を用いた肺癌検診における NotebookLM の有用性を報告した。 しかし、コンパレータ LLM は NotebookLM の内部モデルと異なるため、その利点がRAG に由来するのか、あるいは固有のモデルの違いによるものなのかは定かではない。 膵癌ステージング実験において,RAGの影響をよりよく分離し,その有用性を評価するために NotebookLM を内部 LLM である Gemini 2.0 Flash と比較した。 材料・方法:日本の膵癌ステージングガイドラインの概要をREKとして用いた。 REK+/RAG+ (NotebookLM with REK), REK+/RAG- (Gemini 2.0 Flash with REK), REK-/RAG- (Gemini 2.0 Flash without REK) の3群を比較した。 診断基準はTNM分類,局所侵入因子,再現性分類であった。 REK+/RAG+では, 抽出したREKエキスの有効度に基づいて, 検索精度を定量化した。 結果:REK+/RAG+は70%,REK+/RAG-(38%),REK-/RAG-(35%)を上回った。 TNM分類では、REK+/RAG+が80%の精度で、REK+/RAG-(55%)とREK-/RAG-(50%)を上回った。 さらに、REK+/RAG+は検索されたREKの抜粋を明示的に提示し、検索精度は92%に達した。 結論: RAG-LLM である NotebookLM は膵癌ステージング実験において内部の LLM である Gemini 2.0 Flash より優れており、RAG が LLM のステージング精度を向上させる可能性が示唆された。 さらに、REKの抜粋を検索し、提示する能力は、医師に透明性を与え、臨床診断と分類への適用性を強調している。

関連論文リスト

• Differentially private fine-tuned NF-Net to predict GI cancer type [2.2754055137802083]
  消化器癌(GI)をマイクロサテライト不安定(MSI)とマイクロサテライト安定(MSS)に分類することは重要である。 ディープラーニング(DL)モデルは、メンバシップ推論攻撃、モデル抽出攻撃など、さまざまな脅威に影響を受けやすい。 本稿では,機密データのプライバシを保ちながら,GIがんの状態を予測することを目的とする。
  論文  参考訳（メタデータ） (2025-02-17T01:04:47Z)
• Cancer-Net PCa-Seg: Benchmarking Deep Learning Models for Prostate Cancer Segmentation Using Synthetic Correlated Diffusion Imaging [65.83291923029985]
  前立腺癌(PCa)は米国で最も多いがんであり、約30,000人、全診断の29%、2024年に35,000人が死亡した。 前立腺特異的抗原 (PSA) 検査やMRI (MRI) などの従来のスクリーニング法は診断において重要であるが、特異性や一般化性には限界がある。 我々はU-Net、SegResNet、Swin UNETR、Attention U-Net、LightM-UNetといった最先端のディープラーニングモデルを用いて、200ドルのCDIからPCa病変を抽出する。
  論文  参考訳（メタデータ） (2025-01-15T22:23:41Z)
• UMambaAdj: Advancing GTV Segmentation for Head and Neck Cancer in MRI-Guided RT with UMamba and nnU-Net ResEnc Planner [0.04924932828166548]
  頭頸部癌(HNC)に対する適応放射線療法においてMRIが重要な役割を担っている。 原発性腫瘍 (GTVp) とリンパ節 (GTVn) の両方を含む総腫瘍容積 (GTV) を正確に区分することは依然として困難である。 最近の2つのディープラーニングセグメンテーションの革新は、効果的に長距離依存関係をキャプチャするUMambaと、多段階残差ブロックによる特徴抽出を強化するnnU-Net Residual (ResEnc)の2つの大きな約束を示している。
  論文  参考訳（メタデータ） (2024-10-16T18:26:27Z)
• Application of NotebookLM, a Large Language Model with Retrieval-Augmented Generation, for Lung Cancer Staging [0.0]
  本研究は,最近リリースされたRAG-LLM(NotebookLM)の有用性と信頼性について検討した。 NotebookLMは肺がんのステージング実験において86%の診断精度を達成し、GPT-4oを39%の精度で上回った。
  論文  参考訳（メタデータ） (2024-10-08T12:42:42Z)
• Enhanced Cascade Prostate Cancer Classifier in mp-MRI Utilizing Recall Feedback Adaptive Loss and Prior Knowledge-Based Feature Extraction [4.00189087655119]
  本稿では, 先行知識を取り入れ, 不均一な医用サンプル分布の問題に対処し, mpMRIにおける高い解釈可能性を維持するソリューションを提案する。 まず,前立腺癌に対するPI-RADS基準をモデルトレーニングの診断情報として数学的にモデル化する,事前知識に基づく特徴抽出手法を提案する。 次に、極めて不均衡なデータ問題に対処するため、適応的リコールフィードバック損失を提案する。 第3に、前立腺癌を解釈可能な方法で異なるレベルに分類する拡張前立腺癌を設計する。
  論文  参考訳（メタデータ） (2024-08-19T07:18:06Z)
• Speculative RAG: Enhancing Retrieval Augmented Generation through Drafting [68.90949377014742]
  Speculative RAG(投機的RAG)は、より大規模なジェネラリストLMを利用して、より小さな蒸留専門のLMによって並列に生成された複数のRAGドラフトを効率よく検証するフレームワークである。 提案手法は,より小さな専門家のLMにドラフト作成を委譲することでRAGを加速し,より大きなジェネラリストのLMがドラフトに1回の検証パスを実行する。 PubHealthの従来のRAGシステムと比較して、レイテンシを50.83%削減しながら、最大12.97%の精度向上を実現している。
  論文  参考訳（メタデータ） (2024-07-11T06:50:19Z)
• Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
  本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。 本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
  論文  参考訳（メタデータ） (2024-05-23T07:03:38Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Development and Testing of Retrieval Augmented Generation in Large Language Models -- A Case Study Report [2.523433459887027]
  Retrieval Augmented Generation (RAG)は、大規模言語モデル(LLM)におけるドメイン知識をカスタマイズするための有望なアプローチとして出現する。 LLM-RAGモデルを35の術前ガイドラインを用いて開発し,人為的反応に対して試験を行った。 このモデルでは平均15～20秒で回答が生成され、人間の要求する10分よりもはるかに速くなった。
  論文  参考訳（メタデータ） (2024-01-29T06:49:53Z)
• Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
  乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。 金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。 本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
  論文  参考訳（メタデータ） (2023-04-12T15:08:34Z)
• Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
  術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。 直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-13T07:10:14Z)

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。