KI trifft auf Tumorboard – Therapieempfehlungen durch Large Language Models

Einleitung:
In interdisziplinären Tumorkonferenzen legen Chirurgen, Onkologen, Strahlentherapeuten, Radiologen und Pathologen kollaborativ den optimalen Behandlungsplan für Tumorpatienten fest. Trotz ihres logistischen und finanziellen Aufwands verbessern sie signifikant die Überlebensraten. Ziel dieser Pilotstudie ist es, die Machbarkeit der Generierung von Therapieempfehlungen durch mehrere große Sprachmodelle (Large Language Models, LLMs) zu evaluieren.

Material und Methoden:
Die Qualität und Genauigkeit von LLMs zur Generierung von Therapieempfehlungen in einem Kopf-Hals-Tumorboard wurden untersucht. Die Modelle wurden mittels parametereffizientem Fine-Tuning oder In-Context-Learning an die Aufgabe angepasst. Die Daten wurden in zwei Sätze aufgeteilt: n = 229 Fälle zur Modellanpassung und n = 100 Fälle zur Validierung. Die Bewertung der Modelle erfolgte durch randomisierte, verblindete, manuelle Klassifikation durch medizinische Experten.

Ergebnisse:
Die Übereinstimmung der Empfehlungen lag je nach Modell bei bis zu 86 %, wobei bis zu 98 % der Empfehlungen medizinisch vertretbar waren. Parametereffizientes Fine-Tuning erzielte bessere Ergebnisse als In-Context-Learning, während größere, kommerzielle Modelle tendenziell überlegen waren.

Schlussfolgerung:
Die Generierung präziser und medizinisch fundierter Therapieempfehlungen für komplexe onkologische Patienten mittels LLMs ist technisch realisierbar. Eine Erweiterung des Datenkorpus auf eine größere Patientenkohorte sowie die Integration aktueller Leitlinien könnten die Qualität der Empfehlungen steigern und die Modellleistung verbessern.

Nein