您好,欢迎您

2025 WCLC 中国之声 | 大语言模型与GraphRAG辅助决策支持系统在多学科肿瘤诊疗中的实施应用

08月14日
编译:肿瘤资讯
来源:肿瘤资讯
Session Type

Oral

Session Title

OA04. From AI to Psychosocial Support: New Frontiers in Lung Cancer Multidisciplinary Care

摘要号

OA04.02

英文标题

Implementation of Large Language Model and GraphRAG-Assisted Decision Support for Multidisciplinary Team Cancer Care

中文标题

大语言模型与GraphRAG辅助决策支持系统在多学科肿瘤诊疗中的实施应用

讲者

Su Chen

讲者机构

成都市第三人民医院


背景

肺癌仍是全球发病率和死亡率居高不下的主要原因,延迟诊断和误诊显著影响患者生存率。现行多学科诊疗(MDT)工作流程面临数据碎片化、指南解读不一致及临床试验结果整合不足等挑战。传统人工智能临床决策支持系统(CDSS)虽提升了诊断准确性和治疗方案个性化水平,但在数据检索、情境推理和决策溯源性方面仍存在局限。本研究评估了一种结合大语言模型(LLMs)与GraphRAG技术的新型解决方案。

方法

本研究选用经强化学习优化的DeepSeek-R1大语言模型作为情境推理与治疗方案匹配的基础模型。构建了整合多源患者数据的综合知识图谱,其中节点代表临床实体(如基因突变、治疗类型),边定义实体间关联关系。将NCCN、CSCO指南、行业共识及世界肺癌大会(WCLC)摘要等循证依据作为参考节点,与患者特异性节点相链接以提供诊疗建议。通过回顾性分析2021年1月至2025年2月期间的283例MDT病例进行模型训练,并在研究者发起试验(IIT)中对8例真实世界MDT病例进行前瞻性验证。将LLM与GraphRAG辅助生成的推荐方案与本院MDT专家共识决策进行比对,主要终点为与专家共识的符合率,探索性终点包括诊断耗时和决策溯源的准确性。

结果

该辅助方法与MDT专家共识的符合率达88.9%(16/18)。不符合病例主要源于接受多线治疗患者的临床实体提取失败,以及图谱构建时未收录创新性临床发现(如LAURA试验数据)。探索性终点显示,系统平均响应时间为3.2分钟,显著快于传统专家共识模式(5.6分钟),且治疗方案推荐具有100%可溯源性(含证据来源及链接)。

结论

LLM与GraphRAG辅助的新型AI工具可显著提升肺癌MDT讨论的准确性与效率。未来工作应聚焦于不同患者群体的前瞻性验证,以及与现有临床系统的整合,以促进技术采纳并改善患者预后。



责任编辑:肿瘤资讯-TY
排版编辑:肿瘤资讯-TY



版权声明
本文专供医学专业人士参考,未经著作人许可,不可出版发行。同时,欢迎个人转发分享,其他任何媒体、网站如需转载或引用本网版权所有内容,须获得授权,且在醒目位置处注明“转自:良医汇-肿瘤医生APP”。

评论
08月17日
史渊
平遥兴康医院 | 肿瘤内科
感谢分享受益匪浅
08月17日
雷红艳
平遥兴康医院 | 肿瘤科
感谢分享
08月16日
贾锋
金乡县人民医院 | 血液肿瘤科
肺癌仍是全球发病率和死亡率居高不下的主要原因