编辑推荐：
研究人员利用生成式 AI 分析乳腺癌自由文本病理报告，准确率达 99.61%，提升医疗文本分析效率。
# 生成式 AI 助力病理报告结构化：乳腺癌研究的创新与突破
在医疗领域，病理报告是疾病诊断和治疗的关键依据，尤其在肿瘤学中，它对临床决策和流行病学研究起着举足轻重的作用。然而，传统的病理报告多为叙述性的自由文本格式，这就如同一个装满宝藏却杂乱无章的仓库，给数据提取和分析带来了巨大挑战。
想象一下，医生面对堆积如山的自由文本病理报告，想要快速准确地获取关键信息，却如同大海捞针。这些报告内容复杂多变，缺乏统一的结构，使得从大量数据中系统地提取有价值信息变得极为困难。以往，从病理报告中提取和整理数据主要依靠人工，这不仅耗费大量时间和精力，还容易出错。在分秒必争的肿瘤治疗和研究领域，这种低效率和高错误率的现状亟待改变。
为了攻克这一难题，来自台北医学大学的研究人员展开了一项极具创新性的研究。他们将目光投向了当下热门的生成式 AI 技术，试图利用其强大的语言处理能力，实现从乳腺癌自由文本病理报告中自动提取结构化信息，为医疗数据处理带来新的曙光。这项研究成果发表在《Journal of Medical Systems》上，为医学领域的数字化转型提供了重要的参考。
研究人员在此次研究中采用了多种关键技术方法。首先，他们收集了台北医学大学医院的 33 份匿名乳腺癌自由文本病理报告作为研究样本。然后，运用大语言模型（LLMs）中的生成式预训练变换器（GPT），并将其集成到基于 Streamlit.io 搭建的自定义网络应用程序中。Streamlit.io 作为一个开源平台，极大地便利了生成式 AI 应用的快速开发。通过精心设计的提示工程（prompt engineering），不断优化输入到 GPT-3.5 模型的提示，从而精准地从病理报告中提取所需信息。此外，该应用还具备用户界面，方便用户上传报告、查看提取的数据并进行验证，最终将验证后的数据以 Excel 格式下载。
下面来看看具体的研究结果：
- 宏观信息提取：研究人员成功从 33 份报告中的 11 份核心活检报告里，确定了标本的侧别，其中 8 份来自右侧乳房，7 份来自左侧。同时，还详细分析了标本的尺寸、组织构成（包括皮肤、乳头和骨骼肌的存在情况）等信息。这些数据对于深入了解每个标本的病理背景至关重要。
- 微观信息提取：微观信息的提取为肿瘤诊断和治疗决策提供了关键依据。研究人员精确提取了肿瘤的灶性（单一或多个肿瘤病灶）、最大肿瘤病灶的大小以及详细的组织学分类等数据。不过，在提取过程中也发现了一些问题，比如对肿瘤距离和位置的误判，这凸显了解析复杂医学文本的难度。
- 辅助研究：在辅助研究方面，重点聚焦于对乳腺癌治疗规划至关重要的激素和蛋白质受体状态的提取。详细评估了雌激素受体（ER）、孕激素受体（PR）和人表皮生长因子受体 2（HER2）的状态，并通过人工审核确保了数据的准确性和可靠性。
- 病理分期信息：AI 原型成功提取了全面的病理分期信息，包括原发性肿瘤的大小和范围（pT）、区域淋巴结受累情况（pN）和远处转移（pM）。这些信息对于制定合理的治疗策略具有重要意义，也充分体现了 AI 系统处理复杂分期数据的强大能力。
- 准确性评估：经过严格的评估，该 AI 原型的整体提取准确率高达 99.61%。不过，进一步分析发现，一些模糊的描述（如 “12/2 cm 远离乳头” ）、复杂的位置表达（如 “肿瘤位于上中部” ）以及系统输出范围的限制，导致了部分错误分类。若能解决这些问题，有望将系统的准确率提升至 100%。
从研究结论和讨论来看，此次研究充分展示了生成式 AI，尤其是 GPT 模型与 Streamlit 网络应用相结合，在解析和构建乳腺癌相关复杂自由文本病理报告方面的巨大潜力。它不仅提高了数据提取的效率和准确性，还为处理各类病理数据提供了一种可靠的方法。然而，研究也存在一定的局限性，例如数据仅来源于单一医疗系统，缺乏外部机构的验证，且研究对象仅限于乳腺癌病理报告，这些因素可能限制了研究结果的普遍适用性。此外，虽然 AI 表现出了较高的准确性，但仍存在的小误差在临床应用中可能具有重要影响，因此需要持续优化和改进。
尽管如此，这项研究的意义不可小觑。它为人工智能在病理学领域的应用开辟了新的道路，有望显著提高诊断效率，减轻病理学家的工作负担，为临床决策提供可靠的辅助工具。未来，随着研究的不断深入和技术的持续发展，生成式 AI 在医学领域的应用前景将更加广阔，或许在不久的将来，能为更多疾病的诊断和治疗带来革命性的变化。
