首页 > 文章详情

【前沿进展】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

2025年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

肺癌作为全球范围内发病率与死亡率持续居高不下的主要恶性肿瘤，其早期诊断的延迟以及临床中的误诊情况，显著影响了患者的整体生存率与预后。当前，多学科诊疗（MDT）模式在肺癌临床实践中已广泛应用，但其工作流程仍面临诸多挑战，包括患者数据来源分散、碎片化严重，不同临床指南的解读存在不一致性，以及最新临床试验结果未能及时、系统性地整合到诊疗决策中。传统的人工智能临床决策支持系统（CDSS）在一定程度上提升了肺癌诊断的准确性，并推动了个体化治疗方案的制定，然而在复杂临床情境下的数据检索效率、多维度推理能力以及决策过程的可追溯性方面，仍存在明显局限。为此，本研究旨在评估一种创新性的解决方案，该方案融合了大语言模型（LLMs）的语义理解能力与GraphRAG（图检索增强生成）技术，以提升肺癌MDT的决策质量与效率。

方法

本研究选取经过强化学习优化的大语言模型DeepSeek-R1作为核心基础模型，用于执行临床情境推理与治疗方案匹配任务。研究构建了一个综合性的知识图谱，该图谱整合了来自多源的患者临床数据，其中节点表示各类临床实体（如特定基因突变类型、治疗手段、病理特征等），边则用于定义这些实体之间的关联关系。同时，将NCCN与CSCO临床指南、行业专家共识以及世界肺癌大会（WCLC）等最新研究摘要作为循证依据节点，与患者特异性节点进行链接，从而为诊疗建议提供证据支持。通过回顾性分析2021年1月至2025年2月期间本院积累的283例肺癌MDT病例进行模型训练与优化，并在研究者发起试验（IIT）中，对8例真实世界MDT病例进行了前瞻性验证。本研究将LLM结合GraphRAG技术生成的推荐方案，与本院MDT专家团队形成的共识决策进行系统比对。主要评价终点为推荐方案与专家共识的符合率，探索性终点则包括系统辅助诊断所需时间以及决策溯源过程的准确性。

结果

该融合AI辅助方法与MDT专家共识的总体符合率达到88.9%（16/18）。不符合的病例主要集中于两类情况：一是接受过多线治疗的患者，其临床实体信息提取存在困难；二是在知识图谱构建时，部分最新临床研究数据（如LAURA试验结果）尚未被收录，导致推荐依据不足。在探索性终点方面，系统的平均响应时间为3.2分钟，显著短于传统MDT专家共识模式所需的5.6分钟，显示出其在提升决策效率方面的潜力。此外，系统生成的所有治疗方案推荐均具备完整的可溯源性（即包含证据来源及相关文献链接），溯源准确率达到100%。

结论

结合大语言模型与GraphRAG技术的创新型AI工具有效提升了肺癌多学科诊疗讨论的准确性与工作效率。未来的研究方向应集中于在不同患者群体中进行前瞻性临床验证，进一步优化模型与图谱的覆盖范围与实时性，并推进该工具与现有医院信息系统的深度融合，以促进其在临床实践中的广泛采纳，最终实现改善肺癌患者预后的长期目标。

责任编辑：肿瘤资讯-TY
排版编辑：肿瘤资讯-TY