基于大语言模型的肿瘤临床决策报告生成方法、装置与流程

摘要: 本公开涉及计算机数据处理及医疗信息,尤其涉及一种基于大语言模型的肿瘤临床决策报告生成方法、装置。背景技术:1、大语言模型(largelanguagemodel,...
基于大语言模型的肿瘤临床决策报告生成方法、装置与流程

本公开涉及计算机数据处理及医疗信息,尤其涉及一种基于大语言模型的肿瘤临床决策报告生成方法、装置。

背景技术:

1、大语言模型(large language model, llm)作为人工智能领域的重要分支,旨在通过海量文本数据的训练实现对人类语言的理解与生成。凭借其强大的语义处理能力,大语言模型已广泛应用于文本摘要、机器翻译、情感分析等自然语言处理任务。随着医疗大数据的爆发式增长与人工智能技术的深度融合,基于大语言模型的肿瘤临床决策支持系统(cdss)逐渐成为辅助医生进行精准诊疗的关键工具,在提升诊疗效率、规范治疗路径方面展现出巨大潜力。

2、例如,ibm与memorial sloan kettering cancer center联合开发了肿瘤治疗建议系统ibm watson for oncology(wfo)。该系统基于认知计算技术,由msk专家团队预先标注训练数据,输入患者病历信息后匹配静态知识库中的治疗方案,按推荐/考虑/不推荐三级输出治疗建议。德国major cancer center团队开发了基于google gemini pro llm的精准肿瘤学决策支持系统,使用rag和chain of thought技术,整合pubmed文献、临床试验数据库、药物批准状态和肿瘤指南作为检索源。浙江大学与北京协和医院联合开发了基于llm的端到端循证临床推荐系统quicker。

3、然而,在现有技术中,临床决策支持系统在输出决策参考信息时,通常以文本报告或简单表格的形式呈现。这种临床决策支持系统无法对医生的临床决策给予足够的支持,因此需要一种肿瘤临床决策报告生成方法,用以高效、准确地为医生决策提供帮助。

技术实现思路

1、针对上述问题,本公开提供了一种基于大语言模型的肿瘤临床决策报告生成方法、装置和存储介质。所述方法包括使大语言模型获取包含既往诊疗信息以及与既往诊疗信息对应的既往治疗方案的病历数据。基于既往诊疗信息,逐级匹配临床医学指南中的多级指南治疗路径以及与所匹配的多级指南治疗路径相对应的至少一个指南推荐治疗方案。响应于既往诊疗信息与多级指南治疗路径完全匹配,通过将既往治疗方案与和多级指南治疗路径对应的至少一个指南推荐治疗方案进行比对,可以根据二者的匹配程度是否满足预定条件来确定一致性的评估结果。然后,大语言模型自动构建出包括既往治疗与临床指南的对应关系的肿瘤临床决策报告。基于此,大语言模型生成的肿瘤临床决策报告可以高效、准确地确定既往治疗的规范性,使医生在无需人工查阅临床医学指南的情况下,快速、直观地判断既往治疗是否符合标准,从而大幅缩短医生在制定新治疗方案前的信息处理时间,提升临床决策的精准度与效率。

2、根据本公开的一个方面,提供了一种基于大语言模型的肿瘤临床决策报告生成方法,其特征在于,包括:获取病历数据,所述病历数据包括既往诊疗信息以及与所述既往诊疗信息对应的既往治疗方案,其中所述既往诊疗信息包括疾病类型、临床分期、生物标志物及当前治疗线次信息中的至少两个;基于所述既往诊疗信息,逐级匹配临床医学指南中的多级指南治疗路径,其中所述多级指南治疗路径与至少一个指南推荐治疗方案相对应;响应于所述既往诊疗信息与所述多级指南治疗路径完全匹配,将所述既往治疗方案与和所述多级指南治疗路径对应的所述至少一个指南推荐治疗方案进行比对,响应于所述既往治疗方案与所述至少一个指南推荐治疗方案的匹配程度满足预定条件,获取一致性评估结果;以及基于所述多级指南治疗路径以及所述一致性评估结果生成肿瘤临床决策报告。根据本公开的一些实施例,基于所述既往诊疗信息,逐级匹配临床医学指南中的多级指南治疗路径,包括:基于所述疾病类型,在所述临床医学指南中匹配第一级指南治疗路径节点;响应于匹配到所述第一级指南治疗路径节点,基于所述临床分期在所述临床医学指南中匹配第二级指南治疗路径节点;响应于匹配到所述第二级指南治疗路径节点,基于所述生物标志物在所述临床医学指南中匹配第三级指南治疗路径节点;响应于匹配到所述第三级指南治疗路径节点,基于所述治疗线次在所述临床医学指南中匹配第四级指南治疗路径节点;以及级联匹配到的多级指南治疗路径节点以获取经级联的多级指南治疗路径,其中响应于未匹配到多个指南治疗路径节点中的任意节点或者不存在用于确定指南治疗路径的既往诊疗信息,确定所述既往诊疗信息在所述临床医学指南中无对应治疗路径。

3、根据本公开的一些实施例,将所述既往治疗方案与所述至少一个指南推荐治疗方案进行比对包括:将所述既往治疗方案与所述至少一个指南推荐治疗方案各自的核心药物组件和骨架药物组件进行比对,其中所述核心药物组件表征免疫治疗药物或靶向治疗药物并且所述骨架药物组件表征基础化疗药。

4、根据本公开的一些实施例,响应于所述既往治疗方案与所述至少一个指南推荐治疗方案的匹配程度满足预定条件,获取一致性评估结果,包括:响应于所述既往治疗方案的核心药物组件与骨架药物组件与所述至少一个指南推荐治疗方案中的第一指南推荐治疗方案完全匹配,将所述既往治疗方案与所述第一指南推荐治疗方案标识为一致;响应于所述既往治疗方案的核心药物组件属于所述第一指南推荐治疗方案的同靶点或同类药物的替代方案,或者相较于所述第一指南推荐治疗方案,所述既往治疗方案的骨架药物组件存在增减但核心药物组件匹配,将所述既往治疗方案与所述第一指南推荐治疗方案标识为部分一致;响应于所述既往治疗方案的核心药物组件缺失且无合理替代,将所述既往治疗方案与所述第一指南推荐治疗方案标识为不一致。

5、根据本公开的一些实施例,所述多级指南治疗路径是基于所述病例数据在临床医学指南中检索得到的。

6、根据本公开的一些实施例,所述方法还包括:基于所述多级指南治疗路径确定目标指南治疗路径;基于所述目标指南治疗路径,在临床试验数据源和药物信息数据源中进行多源检索以获取多源证据信息;根据所述多源证据信息,生成包含多个推荐治疗方案的治疗方案推荐表;以及生成肿瘤临床决策报告还包括基于所述治疗方案推荐表生成所述肿瘤临床决策报告。

7、根据本公开的一些实施例,基于所述多级指南治疗路径确定目标指南治疗路径,还包括:当所述病历数据中还包括所述既往治疗方案的末线次治疗疗效时,根据所述末线次治疗疗效确定目标指南治疗路径。

8、根据本公开的一些实施例,根据所述末线次治疗疗效确定目标指南治疗路径包括:确定末线次治疗对应的指南治疗路径;当所述末线次治疗疗效为cr、pr、sd或sda时,将所述末线次治疗对应的指南治疗路径确定为所述目标指南治疗路径;当所述末线次治疗疗效为sdb或pd时,将所述末线次治疗对应的指南治疗路径的下一指南治疗路径确定为所述目标指南治疗路径。

9、根据本公开的一些实施例,所述方法还包括:基于正则模式从所述临床决策报告提取结构化数据,其中所述结构化数据与临床决策相关联;基于所述结构化数据生成可交互可视化界面,其中,响应于用户指令,所述可视化界面基于所述多个推荐治疗方案中的疗效指标、不良事件发生率、或治疗方案的推荐等级对多个推荐治疗方案进行重新排序,其中所述疗效指标包括总生存期、无进展生存期、客观缓解率中的至少一种。

10、根据本公开的一些实施例,进行多源检索以获取多源证据信息,包括:基于所述目标指南治疗路径检索所述临床试验数据源,以获得临床试验信息,所述临床试验信息包括疾病类型或组织学类型、临床分期、生物标志物或驱动基因、治疗线次以及治疗药物;基于所述治疗药物检索所述药物信息数据源以获取药物说明信息,所述药物说明信息指示所述治疗药物的适应证、禁忌证、不良反应谱和特殊人群用药注意事项中的一个或多个。

11、根据本公开的一些实施例,所述多个推荐治疗方案包括推荐的治疗方案、治疗方案疗效、不良反应信息、推荐理由、治疗方案风险以及治疗方案推荐等级中的一个或多个;所述方法还包括,针对所述治疗方案疗效和所述不良反应信息,依照优先级引证来源于所述临床试验信息、所述至少一个指南推荐治疗方案以及所述药物说明信息中的信息,其中所述临床试验信息的优先级高于所述至少一个指南推荐治疗方案的优先级,所述至少一个指南推荐治疗方案的优先级高于所述药物说明信息的优先级。

12、根据本公开的另一个方面,提供了一种基于大语言模型的肿瘤临床决策报告生成装置,包括:存储器,存储有计算机可读指令;至少一个处理器,配置为执行所述存储器中的所述计算机可读指令以执行根据上述任一项基于大语言模型的肿瘤临床决策报告生成方法。根据本公开的一些实施例,所述基于大语言模型的肿瘤临床决策报告生成装置还可以包括显示器,配置为显示所述肿瘤临床决策报告。

13、根据本公开的另一个方面,提供了一种非暂时性计算机可读存储介质,存储有计算机可读指令,其中,当所述计算机可读指令在由处理器执行时,实现上述任一项基于大语言模型的肿瘤临床决策报告生成方法。

14、因此,根据本公开实施例的基于大语言模型的肿瘤临床决策报告生成方法,可以使大语言模型获取包含既往诊疗信息以及与既往诊疗信息对应的既往治疗方案的病历数据;基于既往诊疗信息,可以逐级匹配临床医学指南中的多级指南治疗路径,进而匹配到与所述多级指南治疗路径相对应的至少一个指南推荐治疗方案。响应于既往诊疗信息与多级指南治疗路径完全匹配,通过将既往治疗方案与和多级治疗指南对应的至少一个指南推荐治疗方案进行比对,可以根据二者的匹配程度是否满足预定条件来确定一致性的评估结果。然后,大语言模型可以自动构建包括既往治疗与临床指南的对应关系的临床决策报告。基于此,大语言模型生成的临床决策报告可以高效、准确地确定既往治疗的规范性,使医生在无需人工查阅临床医学指南的情况下,快速、直观地判断既往治疗是否符合标准,从而大幅缩短医生在制定新治疗方案前的信息处理时间,提升临床决策的精准度与效率。