大規模言語モデルを用いたセマンティック特徴エンジニアリングによる肺がん治療アウトカム予測の向上

本研究論文は、大規模言語モデル（LLM）を目標指向型知識キュレーター（GKC）として活用し、肺がん治療アウトカムの予測を改善する新しいフレームワークを提示しています。この研究は、スパース、異種、および文脈的に過負荷な電子医療データの課題に対処しています。検査、ゲノム、および投薬データをタスクに合わせた特徴に変換することにより、GKCアプローチは従来の方法や直接的なテキスト埋め込みよりも優れています。この結果は、LLMが臨床現場で、ブラックボックス予測器としてではなく、知識キュレーションエンジンとしての可能性を示しています。このフレームワークのスケーラビリティ、解釈可能性、およびワークフローの互換性により、個別化医療および治療計画において、AI駆動型の意思決定支援のための有望なツールとなっています。多峰性データの価値を確認するためのアブレーション研究の使用も強みです。