A comparative study of zero-shot inference with large language models and supervised modeling in breast cancer pathology classification
下記の文章は論文のアブストラクトをChatGPTに解釈させたものであり、正確性は保証しません。
論文タイプ：本研究は原著論文ですが、具体的な掲載誌は記載されていません。
本研究の背景と関連研究：本研究の背景は、乳がんの病理報告書の自動分類における専門家によるアノテーションされたデータセットの作成と、機械学習モデルのベンチマークを行うことです。関連研究では、乳がんの病理報告書の自動分類に関するさまざまな手法やモデルが提案されていますが、専門家によるアノテーションされたデータセットの作成やモデルのベンチマークに関する研究は限られています。
本研究の目的とその重要性：本研究の目的は、乳がんの病理報告書の自動分類のための専門家によるアノテーションされたデータセットの作成と、機械学習モデルのベンチマークを行うことです。乳がんの病理報告書は、診断や治療のための重要な情報を含んでいますが、その情報を手動で抽出するのは時間と労力がかかります。自動的に病理報告書を分類することで、診断や治療の効率を向上させることができます。また、専門家によるアノテーションされたデータセットの作成とモデルのベンチマークは、乳がんの病理報告書の自動分類のための基準を確立する上で重要です。
本研究で用いた材料やデータの詳細：本研究では、2012年から2021年3月までの期間にUniversity of California, San Francisco (UCSF)の臨床データウェアハウスから取得された乳がんの病理報告書を使用しました。データはすでに匿名化され、Philterアルゴリズムによって日付がシフトされています。乳がん患者は、ICD-9コード174、175、233.0、またはV10.3、またはICD-10コードC50、D05、またはZ85.3を持つエンカウンタをクエリすることで特定されました。病理報告書のノートタイプ「病理学と細胞学」に制限し、キーワード検索によって、長さが300文字未満のノートや乳がんと関係のないノート（例：子宮頸がんスクリーニングに関するもの）を除外しました。最終的なデータセットには769の病理報告書が含まれています。
本研究で何をどのように、どこまで明らかにした？：本研究では、専門家によるアノテーションされたデータセットの作成と機械学習モデルのベンチマークを行いました。まず、アノテーションスキーマとガイドラインを開発し、769の乳がんの病理報告書に専門家によるアノテーションを行いました。アノテーションプロセスの分析を行い、データアノテーションにおける頻繁な意見の相違点を特定しました。次に、新しく作成されたデータセットを使用して、教師あり機械学習モデルのパフォーマンスをベンチマークしました。使用したモデルには、ランダムフォレスト分類器、長期ショートタームメモリネットワーク（LSTM）分類器、医学的に訓練されたBERT分類器などがあります。最後に、GPT-4とGPT-3.5-turboモデルを使用してゼロショット分類結果を取得しました。つまり、ドメイン固有の手動ラベル付きデータセットを使用せずに結果を比較しました。
本研究の有効性はどのように検証した？：本研究では、専門家によるアノテーションされたデータセットの作成と機械学習モデルのベンチマークを通じて、乳がんの病理報告書の自動分類の有効性を検証しました。アノテーションされたデータセットを使用して、教師あり機械学習モデルのパフォーマンスを評価しました。また、GPT-4とGPT-3.5-turboモデルを使用してゼロショット分類結果を取得し、教師あり学習のパフォーマンスと比較しました。これにより、専門家によるアノテーションされたデータセットと機械学習モデルの有効性を評価しました。
効果的なキーワードの提案：
この記事が気に入ったらサポートをしてみませんか？