
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于随机生存森林与大语言模型融合的分化型甲状腺癌个体化生存预测与指南建议系统
《Communications Medicine》:Integrating machine learning survival and large language models for prognostics of thyroid cancer
【字体: 大 中 小 】 时间:2026年09月26日 来源:Communications Medicine 7.4
编辑推荐:
摘要背景分化型甲状腺癌(DTC)预后良好,但部分患者在治疗后数年出现复发或转移。美国甲状腺协会(ATA)系统提供人群层面的估计,但缺乏个体化的、随时间变化的预测。我们开发了一种将随机生存森林(RSF)模型与大语言模型(LLMs)相结合的系统,以生成个性化生存预测和符合指南的建
分化型甲状腺癌(DTC)预后良好,但部分患者在治疗后数年出现复发或转移。美国甲状腺协会(ATA)系统提供人群层面的估计,但缺乏个体化的、随时间变化的预测。我们开发了一种将随机生存森林(RSF)模型与大语言模型(LLMs)相结合的系统,以生成个性化生存预测和符合指南的建议。
我们分析了在纪念斯隆-凯特琳癌症中心接受治疗的8,556名连续分化型甲状腺癌患者(1986–2024年)。RSF模型预测了疾病特异性生存(DSS)、局部复发(LR)、区域复发(RR)和远处转移(DM)。内部验证采用5折交叉验证、Bootstrap置信区间和排列检验;外部验证在一个独立的国际队列(n?=?519)中进行。RSF预测通过结合2015年美国甲状腺协会指南和专家制定规则的结构化提示框架与两个大语言模型进行整合,输出结果由两位经认证的甲状腺癌专科专家独立评估。
我们的研究结果表明,RSF在1–10年预测范围内表现出强大的区分能力(C指数:DSS 0.98?±?0.01,DM 0.89?±?0.03,RR 0.81?±?0.02,LR 0.74?±?0.05)以及低预测误差(Brier分数0.0006–0.0245),1年表现稳健(C指数:DSS 0.99,DM 0.83,RR 0.81,LR 0.69;MAE 4.19–7.54个月)。RSF相比单独的ATA系统改善了DSS(+0.066)、DM(+0.048)和RR(+0.039)的区分能力。协调化的RSF-8模型在外部DSS表现中表现强劲(C指数0.83;IBS 0.037)。两个大语言模型的平均专家评分为4.91/5.0,且无临床令人担忧的输出结果。
RSF–LLM框架提供了个体化的、随时间变化的预后评估和符合指南的建议,在常规DTC风险分层之外提供了增量价值。