Introduzione

La predizione degli esiti trattamentistici del cancro polmonare rimane un desafio a causa della scarsità, dell'omogeneità e dello sovraccarico delle informazioni elettroniche sanitarie reali. Un gruppo di ricercatori ha sviluppato un nuovo framework che utilizza modelli di linguaggio grandi per trasformare dati laboratoriali, genetici e farmaceutici in caratteristiche ad alta fidelità al fine di migliorare la predizione degli esiti trattamentistici.

Metodologia

Il nuovo framework utilizza i Large Language Models (LLMs) come curatori del conoscimento orientati allo scopo (GKC) per convertire i dati laboratoriali, genetici e farmaceutici in caratteristiche ad alta fidelità. I GKC producono rappresentazioni personalizzate alla fine di obiettivo e operano come un passaggio di pre-elaborazione offline che si integra naturalmente nei flussi informatici degli ospedali.

Risultati

I risultati sono stati pubblicati su arXiv e mostrano che la qualità delle rappresentazioni semantiche è un determinante fondamentale della precisione predittiva nelle configurazioni cliniche a scarsità di dati. Il nuovo framework dimostra una via scalabile, interpretabile e compatibile con il flusso di lavoro per avanzare lo supporto decisionale AI nel campo dell'oncologia.