論文の概要: Evaluation of Oncotimia: An LLM based system for supporting tumour boards

• arxiv url: http://arxiv.org/abs/2601.19899v1
• Date: Tue, 27 Jan 2026 18:59:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.445109
• Title: Evaluation of Oncotimia: An LLM based system for supporting tumour boards
• Title（参考訳）: 腫瘍治療支援システムOncotimiaの評価
• Authors: Luis Lorenzo, Marcos Montana-Mendez, Sergio Figueiras, Miguel Boubeta, Cristobal Bernardo-Castineira,
• Abstract要約: ONCOTIMIAは、生成人工知能(GenAI)を腫瘍学に統合するためのモジュラーツールである。 大型言語モデル(LLMs)を用いた肺癌腫瘍の自動切除への応用について検討した。 肺がん症例10例を対象に,AWS Bedrockを介する6例のLCMの性能評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multidisciplinary tumour boards (MDTBs) play a central role in oncology decision-making but require manual processes and structuring large volumes of heterogeneous clinical information, resulting in a substantial documentation burden. In this work, we present ONCOTIMIA, a modular and secure clinical tool designed to integrate generative artificial intelligence (GenAI) into oncology workflows and evaluate its application to the automatic completion of lung cancer tumour board forms using large language models (LLMs). The system combines a multi-layer data lake, hybrid relational and vector storage, retrieval-augmented generation (RAG) and a rule-driven adaptive form model to transform unstructured clinical documentation into structured and standardised tumour board records. We assess the performance of six LLMs deployed through AWS Bedrock on ten lung cancer cases, measuring both completion form accuracy and end-to-end latency. The results demonstrate high performance across models, with the best performing configuration achieving an 80% of correct field completion and clinically acceptable response time for most LLMs. Larger and more recent models exhibit best accuracies without incurring prohibitive latency. These findings provide empirical evidence that LLM- assisted autocompletion form is technically feasible and operationally viable in multidisciplinary lung cancer workflows and support its potential to significantly reduce documentation burden while preserving data quality.
• Abstract（参考訳）: マルチディシプリナリー腫瘍ボード(MDTB)は腫瘍の意思決定において中心的な役割を果たすが、手動のプロセスや多種多様な臨床情報の構造化が必要であり、文書化にかなりの負担がかかる。 本研究は,脳腫瘍モデル (LLMs) を用いた肺癌腫瘍検体の自動完成への応用性を評価するために, 遺伝子組み換え人工知能 (GenAI) をオンコロジーワークフローに統合するモジュール型でセキュアな臨床ツールであるONCOTIMIAを提案する。 このシステムは多層データレイク、ハイブリッドリレーショナルおよびベクトルストレージ、検索拡張生成(RAG)とルール駆動適応型モデルを組み合わせて、構造化されていない臨床文書を構造化および標準化された腫瘍ボードレコードに変換する。 肺がん症例10例を対象に,AWS Bedrockを介する6例のLCMの性能評価を行った。 その結果、モデル間で高い性能を示し、最も優れた構成により、ほとんどのLSMにおいて、正しいフィールド完了の80%と臨床的に許容される応答時間を達成することができた。 より大規模な、より最近のモデルは、禁止レイテンシーを伴わずに最高の精度を示す。 これらの結果は, LLMによる自己完結型が, 多分野の肺癌のワークフローにおいて技術的に実現可能であり, かつ, データ品質を保ちながら文書化の負担を大幅に軽減できる可能性を実証した証拠である。

関連論文リスト

• A Narrative Review on Large AI Models in Lung Cancer Screening, Diagnosis, and Treatment Planning [8.431488361911754]
  肺がんは世界中で最も流行し、致命的な疾患の1つである。 大規模AIモデルの最近の進歩は、医療画像理解と臨床的意思決定を大幅に強化した。 本稿では, 肺がん検診, 診断, 予後, 治療における大規模AIモデルの適用状況について, 系統的に検討する。
  論文  参考訳（メタデータ） (2025-06-08T17:42:24Z)
• The Impact of LoRA Adapters on LLMs for Clinical Text Classification Under Computational and Data Constraints [32.23468444597675]
  臨床自然言語処理(NLP)のための細調整された大規模言語モデル(LLM)は、ドメインギャップ、限られたデータ、厳密なハードウェア制約のために大きな課題を提起する。 本研究では,適応器,軽量化,TinyAttention,Gated Residual Network (GRN) の4つのアダプタ技術の評価を行った。 すべての実験は1つのNVIDIA P620 GPU(2GB VRAM、512コア、1.386TFLOPS FP32)で行われ、バッチサイズは2568、シーケンス長は2568トークンに制限された。
  論文  参考訳（メタデータ） (2024-07-27T16:48:03Z)
• Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
  オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。 トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。 評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
  論文  参考訳（メタデータ） (2024-03-12T18:12:02Z)
• End-to-End Breast Cancer Radiotherapy Planning via LMMs with Consistency Embedding [47.360760580820966]
  放射線腫瘍学の分野に適した包括的大規模マルチモーダルモデル(LMM)であるRO-LMMを提案する。 このモデルは臨床ワークフロー内の一連のタスクを効果的に管理し、臨床コンテキストの要約、放射線治療計画の提案、計画誘導されたターゲットボリュームセグメンテーションを含む。 クリーン入力処理の整合性を維持しつつ,LMMのノイズ入力に対する堅牢性を向上する,CEFTune(Consistency Embedding Fine-Tuning)技術を提案する。
  論文  参考訳（メタデータ） (2023-11-27T14:49:06Z)
• TRIALSCOPE: A Unifying Causal Framework for Scaling Real-World Evidence Generation with Biomedical Language Models [21.437563965711004]
  本稿では,大規模観測データから堅牢な実世界の証拠を生成するためのフレームワークであるTRIALSCOPEを提案する。 このフレームワークは、高品質な構造化された患者データを自動的にキュレートし、データセットを拡張し、非構造化形式でのみ利用可能な主要な患者属性を組み込む。 また,TriALSCOPEは,抽出した実世界のデータから,肺癌および膵癌の臨床試験の結果を再現できることを示した。
  論文  参考訳（メタデータ） (2023-11-02T15:15:47Z)
• Competence-based Multimodal Curriculum Learning for Medical Report Generation [98.10763792453925]
  本稿では,コンピテンスベースのマルチモーダルカリキュラム学習フレームワーク(CMCL)を提案する。 具体的には、CMCLは放射線学者の学習過程をシミュレートし、段階的にモデルを最適化する。 パブリックIU-XrayとMIMIC-CXRデータセットの実験は、CMCLを既存のモデルに組み込んでパフォーマンスを向上させることができることを示している。
  論文  参考訳（メタデータ） (2022-06-24T08:16:01Z)

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。