論文の概要: Towards Precision Therapy in Hepatocellular Carcinoma: A Clinical-Reasoning LLM for Risk Stratification and Treatment Guidance

• arxiv url: http://arxiv.org/abs/2607.08602v1
• Date: Thu, 09 Jul 2026 15:33:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.58219
• Title: Towards Precision Therapy in Hepatocellular Carcinoma: A Clinical-Reasoning LLM for Risk Stratification and Treatment Guidance
• Title（参考訳）: 肝細胞癌の精密治療に向けて : リスク階層化と治療指導のための臨床応用LSM
• Abstract要約: HCC-STAR (肝細胞癌ステージング, 治療, pRognosis) は, 臨床的に一致した大言語モデルである。 リスクスコアベースのステージングを出力し、エビデンスベースの理論的根拠によるガイドライン一貫性のある治療と、個別化された生存推定を出力する。 中国12病院の6,668人の多施設のコホートにおいて、HCC-STARは治療勧告とリスク階層化において最先端のパフォーマンスを達成した。
• 参考スコア（独自算出の注目度）: 69.07885031885303
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hepatocellular carcinoma (HCC) is a common malignancy and a leading cause of cancer-related mortality. Current guidelines and staging systems provide coarse categories, but often miss within-stage heterogeneity and the clinical context in electronic medical records (EMRs). We present HCC-STAR (Hepatocellular Carcinoma Staging, Treatment And pRognosis), a clinically aligned large language model that reads routine EMR narratives and jointly outputs risk score-based staging, ranked guideline-consistent treatments with evidence-based rationales, and individualized survival estimates. We curated about 30,000 HCC cases from SEER and expanded them into EMR-style narrative training data using a clinician-validated, prompt-based augmentation workflow. On this corpus, we developed a knowledge-aligned reasoning framework optimized with a step-verifiable composite reward, moving beyond text-level memorization of clinical guidelines. In a multi-center cohort of 6,668 patients from 12 hospitals in China, HCC-STAR achieved state-of-the-art performance in treatment recommendation and risk stratification compared with clinical guidelines and competitive models, including GPT-5 and Gemini-2.5 Pro. Hypothetical overall-survival analysis showed a median survival of 51 months under adherence to HCC-STAR recommendations, compared with 29 and 32 months under BCLC and CNLC. In clinician-centric evaluations, blinded hepatobiliary specialists rated HCC-STAR's reasoning and evidence-based justifications as trustworthy. The model surpassed resident and attending physicians in treatment accuracy and helped physicians make more accurate decisions faster when used as an assistant. These findings support HCC-STAR as a reliable and verifiable decision-support system for risk stratification and precision therapy in HCC.
• Abstract（参考訳）: 肝細胞癌(HCC)は一般的な悪性腫瘍であり、がん関連死亡の原因となっている。 現在のガイドラインとステージリングシステムは、粗いカテゴリを提供するが、しばしば電子カルテ(EMR)におけるステージ内不均一性と臨床コンテキストを見逃す。 HCC-STAR (Hepatocellular Carcinoma Staging, Treatment and pRognosis, HCC-STAR) は, 日常的なEMR物語を読み, リスクスコアに基づくステージングを共同で出力する, 根拠に基づく合理化によるガイドライン整合性治療, 個別の生存推定を行う, 臨床的に整合した大言語モデルである。 われわれはSEERから約30,000例のHCC患者を治癒し,臨床検査で検証したアクシデントベースの拡張ワークフローを用いて,EMHスタイルの物語訓練データに拡張した。 本研究は,臨床ガイドラインのテキストレベルの記憶を超えて,段階的に検証可能な複合報酬に最適化された知識整合推論フレームワークを開発した。 中国12病院の6,668人の多施設のコホートにおいて、HCC-STARは、GPT-5やGemini-2.5 Proを含む臨床ガイドラインや競争モデルと比較して、治療勧告とリスク階層化における最先端のパフォーマンスを達成した。 仮説的総合生存分析では,HCC-STAR勧告に従って51カ月生存し,BCLCおよびCNLCでは29カ月,32カ月であった。 臨床中心的な評価では、盲目の肝胆道専門医は、HCC-STARの推論と証拠に基づく正当化を信頼できるものと評価した。 このモデルは、患者や入院医を治療精度で超越し、医師がアシスタントとして使う際に、より正確な決定を素早く行えるように支援した。 以上の結果からHCC-STARは,HCCにおけるリスク階層化と精密治療のための信頼性と信頼性の高い意思決定支援システムであると考えられた。

関連論文リスト

• A Breast Vision Pathology Foundation Model for Real-world Clinical Utility [65.57568187389113]
  a bfBRAVE, a breast-adaptive pathology foundation model developed and evaluation using a total resources of 101,638 breast wholeslide images。 臨床ワークフローにおけるBRAVEの実践的役割は、通常のAI支援による第2レビューから低リスクのケースを安全に排除すること、そしてさらなる評価のためのケースの優先順位付けなどである。
  論文  参考訳（メタデータ） (2026-05-06T07:44:39Z)
• Improving Risk Stratification in Hypertrophic Cardiomyopathy: A Novel Score Combining Echocardiography, Clinical, and Medication Data [0.3611680827515096]
  肥大型心筋症(HCM)は、ICD療法とフォローアップ管理に関する決定を伝達するために、正確なリスク階層化を必要とする。 本研究は、HCM患者の5年間の複合心血管結果を予測するために、堅牢で説明可能な機械学習(ML)リスクスコアを開発する。 HCMのパーソナライズされた臨床管理のための有望なツールである。
  論文  参考訳（メタデータ） (2026-03-27T10:22:46Z)
• Clinical Reasoning AI for Oncology Treatment Planning: A Multi-Specialty Case-Based Evaluation [0.7695487047291749]
  アメリカのがん治療の80%以上が地域社会で行われている。 臨床医はゲノム学、ステージング、病理学、ガイドラインの変更を統合し、認知的負担を生み出す必要がある。 腫瘍治療計画作成のためのAI臨床推論プラットフォームであるOncoBrainについて検討した。
  論文  参考訳（メタデータ） (2026-03-27T00:26:05Z)
• A Decade-Scale Benchmark Evaluating LLMs' Clinical Practice Guidelines Detection and Adherence in Multi-turn Conversations [60.2076951536797]
  大規模言語モデル(LLM)は、医療シナリオにますます多くデプロイされている。 LLMが会話中に臨床ガイドラインを特定・遵守できるのかは不明確である。 CPGBenchは、LSMの臨床ガイドラインの検出と付着能力をベンチマークする自動フレームワークである。
  論文  参考訳（メタデータ） (2026-03-26T09:00:55Z)
• CancerGUIDE: Cancer Guideline Understanding via Internal Disagreement Estimation [18.396334867873307]
  NCCN(National Comprehensive Cancer Network)は、がん治療のためのエビデンスベースのガイドラインを提供している。 複雑な患者のプレゼンテーションをガイドラインに準拠した治療レコメンデーションに翻訳することは時間集約的であり、専門的な専門知識を必要とし、エラーを起こしやすい。 非小細胞肺癌患者に対するガイドライン適合治療軌跡を自動生成するためのエージェントベースアプローチを提案する。
  論文  参考訳（メタデータ） (2025-09-09T01:49:29Z)
• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• CliCARE: Grounding Large Language Models in Clinical Guidelines for Decision Support over Longitudinal Cancer Electronic Health Records [30.100759175769454]
  大規模言語モデル(LLMs)は、臨床診断支援の改善と医師のバーンアウトの低減に大きく貢献する。 CliCARE(CliCARE)を提案する。CliCAREは、長期がん電子健康記録に対する臨床ガイドラインにおける大規模言語モデル構築のためのフレームワークである。 我々は,中国の民間がんデータセットと英語MIMIC-IVデータセットを用いた大規模縦長データを用いて,我々の枠組みを検証した。
  論文  参考訳（メタデータ） (2025-07-30T10:02:16Z)
• An Agentic System for Rare Disease Diagnosis with Traceable Reasoning [69.46279475491164]
  大型言語モデル(LLM)を用いた最初のまれな疾患診断エージェントシステムであるDeepRareを紹介する。 DeepRareは、まれな疾患の診断仮説を分類し、それぞれに透明な推論の連鎖が伴う。 このシステムは2,919の疾患に対して異常な診断性能を示し、1013の疾患に対して100%の精度を達成している。
  論文  参考訳（メタデータ） (2025-06-25T13:42:26Z)
• Intercept Cancer: Cancer Pre-Screening with Large Scale Healthcare Foundation Models [22.56012797703626]
  CATCH-FM, CATch carcinoma early with Healthcare Foundation Models。 Caught-FMは、過去の医療記録に基づいて、リスクの高い患者をスクリーニングするために特定する。 本分析は,様々な患者分布におけるCATCH-FMのロバスト性,ICD符号空間での操作の利点,非自明ながんリスク因子を捕捉する能力を示す。
  論文  参考訳（メタデータ） (2025-05-30T20:31:09Z)
• Automated Assessment of Critical View of Safety in Laparoscopic Cholecystectomy [51.240181118593114]
  胆嚢摘出術(胆嚢摘出術)は米国で最も一般的な手術の一つで、年間1.2万回以上の手術が施行されている。 LCは胆管損傷(BDI)の増加と関連しており、致死率と死亡率が高い。 本稿では,LCにおける安全性評価(CVS)の自動化を目的とした深層学習手法を提案する。
  論文  参考訳（メタデータ） (2023-09-13T22:01:36Z)

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。