用于肉瘤病理记录中多变量提取的灵活大型语言模型：一项初步研究

《Annals of Surgical Oncology》：Flexible Large Language Models for Multi-variable Extraction in Sarcoma Pathology Notes: A Pilot Study

　　骨与软组织肉瘤是异质性癌症。我们开发了一种基于大语言模型（LLM）的提取工作流程，用于从肌肉骨骼肉瘤患者的手术病理报告中提取六个变量：肿瘤诊断、最大径、最近切缘、肿瘤分级、坏死率和存活率。我们假设该流水线能够达到临床可接受的准确度，并可作为可扩展的解决方案，用于增强或替代肉瘤登记库开发中的手动图表抽象。方法：我们回顾性收集了来自单一机构三个院区的1106份接受骨或软组织肉瘤手术切除患者的手术病理报告。报告被分为训练集（n = 353）和测试集（n = 753）。使用提示工程和微调来查询开源LLM Llama3-70B-Instruct和Gemma4-31B-Instruct。计算准确度、F1分数和特异度以评估提取点的性能。结果：在测试集上，两个模型在提取所有数据点时的准确度均至少达到0.85，在报告中没有数据时预测“未知”的特异度均至少达到0.84。Gemma模型在检测阳性切缘方面的敏感度高于Llama模型：0.92对0.78。两个LLM平均从每份病理报告中提取每个数据点耗时不到1秒。结论：对于肉瘤等异质性癌症的登记库开发受限于手动数据抽象的劳动力密集型性质，而我们的流水线取得了有前景的结果。这些发现支持基于LLM的工作流程作为肉瘤临床登记库手动数据抽象的可扩展且准确的替代方案的可行性。