[論文レビュー] Large Language Models-Enabled Digital Twins for Precision Medicine in Rare Gynecological Tumors

Jacqueline Lammert, Nicole Pfarr+17 more|arXiv (Cornell University)|Aug 31, 2024

Radiomics and Machine Learning in Medical ImagingMedicine被引用数 3

ひとこと要約

本研究では、希少な婦人科腫瘍（RGTs）における正確な医療を実現するため、大規模言語モデル（LLM）を活用したデジタルツインシステムを提案する。このシステムは、655編の出版物および21件の施設症例から得られる臨床的・バイオマーカー的・文献由来のデータを統合し、転移性子宮肉癌腫瘍（UCS）の個別化治療計画を生成する。従来の単一ソース解析では見逃されがちな治療法を同定し、生物学的根拠に基づいた患者特有の治療マッチングによって、予後改善の可能性を示している。

ABSTRACT

Rare gynecological tumors (RGTs) present major clinical challenges due to their low incidence and heterogeneity. The lack of clear guidelines leads to suboptimal management and poor prognosis. Molecular tumor boards accelerate access to effective therapies by tailoring treatment based on biomarkers, beyond cancer type. Unstructured data that requires manual curation hinders efficient use of biomarker profiling for therapy matching. This study explores the use of large language models (LLMs) to construct digital twins for precision medicine in RGTs. Our proof-of-concept digital twin system integrates clinical and biomarker data from institutional and published cases (n=21) and literature-derived data (n=655 publications with n=404,265 patients) to create tailored treatment plans for metastatic uterine carcinosarcoma, identifying options potentially missed by traditional, single-source analysis. LLM-enabled digital twins efficiently model individual patient trajectories. Shifting to a biology-based rather than organ-based tumor definition enables personalized care that could advance RGT management and thus enhance patient outcomes.

研究の動機と目的

• 希少な婦人科腫瘍（RGTs）の臨床的課題に対処すること。これは、発症率が低く、標準的ガイドラインが不足しているため、予後が不良であるためである。
• 治療マッチングにおける非構造化バイオマーカー情報の手動キュレーションに起因する制限を克服すること。
• 大規模言語モデル（LLMs）を活用したデジタルツインシステムを構築し、RGTsにおける個別化治療計画を実現すること。
• 臓器ベースの分類から生物学的分類への移行を図り、正確な腫瘍学を向上させること。
• 実世界症例および文献データを用いて、本システムが有効で見逃されがちな治療法を同定する能力を評価すること。

提案手法

• デジタルツインシステムは、転移性子宮肉癌腫瘍（UCS）の21件の施設症例から得られる臨床的およびバイオマーカー的情報を統合する。
• LLMsを用いて、404,265名の患者を含む655件の出版物から得られる情報をインgestし、要約する。このプロセスでバイオマーカーおよび治療法のデータを抽出・文脈化する。
• LLMsは、出版物からの非構造化テキストを処理し、行動可能なバイオマーカー（例：HER2、ESR1、FR-α、PRAME）およびそれに対応する治療法を同定する。
• 患者固有のバイオマーカー特性と臨床および前臨床研究の証拠を照合することで、個別化された治療計画を生成する。
• LLM出力を検証済みの文献および臨床データに根拠づけるために、リtrieval-augmented generation（RAG）技術を採用する。
• 臨床的利益率、反応持続期間、および試験および症例報告で報告された生存予後を基に、治療法の選択を評価する。

実験結果

リサーチクエスチョン

• RQ1 LLM駆動のデジタルツインシステムは、多様な臨床的および文献由来のデータを的確に統合し、希少な婦人科腫瘍の個別化治療計画を生成できるか？
• RQ2 従来の単一ソース解析では見逃されがちな、転移性子宮肉癌腫瘍に対する治療法として、本システムが同定したものは何か？
• RQ3 LLMsによって可能になる生物学的分類による腫瘍分類は、臓器ベース分類と比較して、RGTsにおける正確な腫瘍学をどの程度向上できるか？
• RQ4 実世界症例データと大規模な文献データを統合することで、デジタルツインが生成する治療推奨の信頼性および臨床的妥当性はどの程度向上するか？
• RQ5 本システムは、ESR1増幅型UCS患者に対して、ペムブロリズマブ＋レバミシブナブ＋レトロゾールの併用療法で持続的反応を同定できるか？

主な発見

• デジタルツインは、ESR1増幅型でpMMRの転移性UCS患者に対して、ペムブロリズマブ、レバミシブナブ、レトロゾール併用療法で36か月の持続的部分的反応を同定した。これは、標準的手法では見逃されがちな治療法である可能性がある。
• ER陽性UCSに対して、本システムは第II相試験でアンドロスタゾール投与で43％の臨床的利益率を示し、中位の臨床的利益持続期間は5.6か月であった。
• FR-α陽性UCSに対して、ミルベトゥキサブシン・ソラバタンシン＋ペムブロリズマブ併用療法の潜在的効果が同定された。これは、子宮内膜がん患者を対象とした第II相試験で37.5％の客観的反応率が報告されたことと一致する。
• 前臨床的証拠では、HRD陽性UCS細胞株はHRプロフェッショナルな株よりもオラパリブに対して顕著に感受性が高かった。これはHRD陽性症例においてPARPiの有用性を示唆している。
• サシツズマブ・ゴビテカンは、Trop2陽性再発性子宮内膜がん（UCS患者を含む）に対して35％の客観的反応率および5.7か月の中央進行予防期間を示した。
• 本システムは、進行時における血清CA-125の上昇が部分的反応と相関すること、および術後における上昇が悪い予後を予測することを同定した。これにより、動的バイオマーカーとしての使用が支持される。