GÜNCEL YAYIN Koruyucu Hekimlik, Yaşam Tarzı Tıbbı ve Hücresel Biyoloji
📅 16 Kasım 2026 · Bağımsız Editoryal Ağ
Dahiliye

Çince Dilinde PET/CT Raporlarından Otomatik Kanseri Evreleme: İki Büyük Dil Modeli Kullanılarak Yapılan Retrospektif Tek Merkez Çalışması

✍️ Editör Masası • 📅 15 Kasım 2026 • ⏱️ 27 dk okuma
Çince Dilinde PET/CT Raporlarından Otomatik Kanseri Evreleme: İki Büyük Dil Modeli Kullanılarak Yapılan Retrospektif Tek Merkez Çalışması

ÖZGÜN ARAŞTIRMA MAKALESI

Front. Digit. Health, 11 Kasım 2026

Sağlık Bilişimi Bölümü

Cilt 8 – 2026 | https://doi.org/10.3389/fdgth.2026.1951695

  • WQ

    Wan Qi-Chang 1,2†

  • MK

    Min Kai-Yin 1†

  • TL

    Tang Lei-Lei 2

  • LW

    Li Wen-Jia 3

  • WC

    Wang Cheng-Yi 4

  • LJ

    Li Jian-Fang 5

  • JB

    Ji Bin 1*

  • 1. Jilin Üniversitesi Çin-Jpon Birleşik Hastanesi, Nükleer Tıp Bölümü, Changchun, Çin

  • 2. Guangzhou Tıp Üniversitesi Bağlı Qingyuan Hastanesi, Qingyuan Hastanesi, Görüntüleme Merkezi Bölümü, Qingyuan, Çin

  • 3. Jilin Üniversitesi Çin-Jpon Birleşik Hastanesi, Meme Cerrahisi Bölümü, Changchun, Çin

  • 4. Duke-NUS Tıp Fakültesi, Singapur, Singapur

  • 5. Sun Yat-sen Üniversitesi Üçüncü Bağlı Hastanesi, Nükleer Tıp Bölümü, Guangzhou, Çin

Makale ölçümleri

Özet

Amaç:

GPT-5.5 Pro ve DeepSeek-V4-Pro’nun Çin dilinde PET/CT raporlarından meme kanseri cTNM ve AJCC anatomik evrelemesinde otomatik olarak gösterdiği performansın değerlendirilmesi.

Yöntem:

Kurumsal kuruluşumuzda Şubat ile Aralık 2025 tarihleri arasında rutin klinik uygulamadan elde edilen, tedavi öncesi 298 adet 18F-FDG PET/CT raporundan oluşan özenle seçilmiş bir test seti dahil edildi. Tüm raporlar ilgili görüntüleme bulguları ile karşılaştırılarak doğrulanmış ve hatalar ya da eksikliklerin elenmesi için taranmış. AJCC 8. baskı cTNM kriterlerine göre GPT-5.5 Pro ve DeepSeek-V4-Pro, cT, cN, cM ve AJCC anatomik evrelemeyi, nihai değerlendirmeden önce kilitlenen ve 20 rapordan oluşan ayrı bir küme kullanılarak geliştirilen görev odaklı, kural rehberli sıfır-örüntü (zero-shot) prompt’u kullanarak belirlemiştir. Model çıktıları uzman raporu tabanlı referans standardı ile karşılaştırılmıştır. Bu referans standardına göre performans doğruluk ve makro ortalamalı hassasiyet, duyarlılık ve F1 puanı ile değerlendirilmiş; uyum Cohen κ ile değerlendirilmiştir. Model hataları tanısal muhakeme, özellik işleme veya bilgi uygulama hataları olarak sınıflandırılmıştır.

Sonuçlar:

cT evrelemesi için GPT-5.5 Pro ve DeepSeek-V4-Pro, sırasıyla %98,3 ve %97,0 doğruluk (<i>P</i> = 0,39) ve 0,968 ile 0,952 makro-F1 skorları (<i>P</i> = 0,51) elde etti. cM evrelemesi için karşılık gelen doğruluklar %99,7 ve %98,0 (<i>P</i> = 0,06), makro-F1 skorları ise 0,990 ve 0,932 (<i>P</i> = 0,06) olarak bulundu. cM1 duyarlılığı sırasıyla %96,3 ile %77,8 arasında olup, 1 ve 6 adet kaçırılan cM1 olgusu gözlemlendi. cN evrelemesinde anlamlı bir performans farkı ortaya çıktı; GPT-5.5 Pro daha yüksek doğruluk (%97,3’e karşı %87,2, <i>P</i> < 0,001) ve makro-F1 skoru (0,959’a karşı 0,729, <i>P</i> < 0,001) gösterdi ve bu da üstün genel AJCC anatomik evrelemesiyle sonuçlandı (doğruluk, %98,3’e karşı %90,3; makro-F1, 0,968’e karşı 0,861; her iki ölçüde de <i>P</i> < 0,001). Tüm görevlerde GPT-5.5 Pro için referans standardıyla uyum neredeyse mükemmel düzeydeydi (<i>κ</i> = 0,96–0,98), DeepSeek-V4-Pro için ise <i>κ</i> değerleri 0,80 ile 0,95 arasında değişti. Üç bileşen TNM görevinin tümünde GPT-5.5 Pro 14 sınıflandırma hatası üretirken, DeepSeek-V4-Pro için bu sayı 53’tü; hataların çoğu cN evrelemesiyle ilgiliydi ve DeepSeek-V4-Pro hataları çoğunlukla bilgi uygulama veya tanısal muhakeme hataları olarak sınıflandırıldı.

Sonuç:

Her iki model de düzenlenmiş giriş koşullarında uzman raporu temelli referans standardıyla yüksek düzeyde uyum gösterdi; GPT-5.5 Pro, cN ve genel AJCC anatomik evrelemesi konusunda daha yüksek performans sergiledi.

Giriş

TNM evrelemesi, meme kanserinde prognoz değerlendirmesi ve tedavi planlaması için esastır (, ). Patolojik evreleme genellikle cerrahi rezeksiyondan sonra elde edilebildiğinden, PET/CT operasyon öncesi evrelemede tüm vücut görüntüleme yöntemi olarak yaygın biçimde kullanılmakta ve primer tümör, nodal tutulum ve uzak metastazlar hakkında bilgi sağlamaktadır (–).

PET/CT raporları tümör özellikleri, lokal invazyon, nodal hastalık, uzak metastaslar ve metabolik aktivite hakkında içerik taşır. Ancak serbest metin formatındaki raporlar belirsiz olabilir, ilgili ayrıntıları içerebilir veya raporlama biçiminde değişkenlik gösterebilir; bu da yapılandırılmış evre bilgisinin çıkarılmasını zorlaştırır. Bu nedenle güncel çalışmalar, evreleme ve rapor üretimi için serbest metin görüntüleme raporlarının otomatik olarak işlenmesini incelemiştir (–).

Büyük dil modelleri (BDM’ler), serbest metin biçimindeki tıbbi belgelerden yapılandırılmış içerik çıkarabilir ve karmaşık dil temelli klinik görevleri destekleyebilir (–). PET rapor izlenim üretimi, meme görüntülemesinde yapılandırılmış raporlama ve çoklu kanserlerde otomatik TNM evrelemesi gibi konularda incelenmişlerdir (, , ). Güncel derlemeler ve değerlendirme çalışmalarının yanı sıra, Spitzl ve arkadaşları, 111 uydurma Almanca dilinde PET/CT raporu kullanarak meme kanseri TNM evrelemesi için ChatGPT-4o, DeepSeek V3, Claude 3.5 Sonnet ve Gemini 2.0 Flash’ı değerlendirmiştir (). 80 klinik Türkçe dilinde PSMA PET/CT raporu kullanarak Ismayilov ve arkadaşları, prostat kanseri TNM evrelemesi için Gemini 2.5 Pro ve ChatGPT-4o’yu değerlendirmiş ve uzman sınıflandırmasıyla yüksek uyum bildirmiştir ().

Ancak, klinik olarak üretilmiş Çince dilinde PET/CT raporlarını kullanan BDM temelli meme kanseri cTNM evrelemesi konusunda kanıtlar sınırlı kalmaktadır; özellikle test kümesinden bağımsız olarak göreve özgü komut geliştirmeyi, bir uzman raporu temelli referans standardı ve sistematik hata örüntüsü analizini bir araya getiren çalışmalar özellikle sınırlıdır. Bu nedenle bu çalışma, söz konusu çerçeve altında GPT-5.5 Pro ve DeepSeek-V4-Pro’nun otomatik cT, cN, cM ve AJCC anatomik evre ataması karşılaştırmasını amaçlamıştır.

Materyaller ve yöntemler

Bu retrospektif çalışma, etik kurul onayı ile yürütülmüş; tanımlanamayan verilerin kullanılması nedeniyle yazılı rıza gereksinimi muaf tutulmuştur. Kişisel sağlık bilgileri ve tanımlanması mümkün veriler, Sağlık Sigortası Aktarılabilirlik ve Hesap Verebilirlik Yasası (HIPAA) kapsamında Safe Harbor yöntemine uygun olarak her raporda elle kaldırılmıştır. Dış API işlemeleri, onaylı çalışma kapsamında yalnızca tanımlanmış verilerden arındırılmış rapor metinleriyle sınırlı tutulmuş; radyografik görüntüler veya doğrudan tanımlayıcılar aktarılmamıştır. OpenAI API verileri varsayılan olarak model eğitimi için kullanılmamaktadır. GPT-5.5 Pro için yanıt nesnesi depolama devre dışı bırakılmış; yine de standart API veri kontrol politikaları kapsamında geçici sağlayıcı tarafı saklanması gerçekleşebilir. DeepSeek-V4-Pro için mevcut model iyileştirmesi seçimi (opt-out) aktifleştirilmiştir. Veri işleme, kurumsal veri güvenlik gereksinimlerini ve geçerli veri koruma düzenlemelerini karşılamıştır.

Raporların toplanması ve hazırlanması

Retrospektif olarak, kurumumuzdan Şubat ile Aralık 2025 tarihleri arasında ardışık 18F-FDG PET/CT raporları analiz edildi. Dahil etme kriterleri şunlardı: (1) başlangıç evrelemesi için patolojik olarak doğrulanmış, tedavi görmemiş kanser raporları; (2) tam temel verileri içeren, tüm bulgular radyologlar tarafından gerçek görüntüleme sonuçlarıyla uyumlu ve hata ya da eksiklikten uzak olarak doğrulanmış raporlar. Önceden veya eşzamanlı başka malignitesi olan hastaların raporları dışlandı. Taranan 391 rapordan 73’ü dışlandı: 16’sı tedavi görmemiş olmayan veya nükseden hastalık nedeniyle, 8’i invaziv olmayan veya epitelial olmayan meme neoplazmı nedeniyle, 22’si önceden veya eşzamanlı meme dışı malignite nedeniyle, 16’sı eksik veya hata içeren raporlar nedeniyle, 6’sı tekrarlanan PET/CT incelemeleri nedeniyle ve 5’i eksik klinik veya patolojik veri nedeniyle. Bu sayede 318 uygun rapor elde edildi; bunlardan 20’si AJCC anatamik evre grubuna göre katmanlı rastgele örnekleme ile istem geliştirme için seçildi; geri kalan 298 rapor son bağımsız test kohortunu oluşturdu. Rapor seçim süreci ve çalışma iş akışı Şekil 1’de gösterilmektedir. Tüm raporlar standart Çince ile yazılmış ve serbest metin raporlama stili kullanılmıştır. Detaylı görüntüleme bulguları ve tanı özetleri dahil olmak üzere metinsel veriler modellere sağlanmıştır. Radyografik görüntüler dahil edilmemiştir.

Şekil 1

Klinik TNM evre tanımı

Clinik TNM (cTNM) evrelemesi, AJCC Meme Kanserini Evreleme Sisteminin Sekizinci Baskısına dayanıyordu (). cT evrelemesi için, primer tümörle dokümantasyonla doğrulanmış teması olmayan hafif FDG tutulumu veya deri kalınlaşması gibi spesifik olmayan deri bulguları tutulmamış kabul edildi; klinik korelasyon önerilen deri değişiklikleri de tutulmamış sayıldı; metastatik olarak açıkça tanımlanan, metastatik kabul edilen veya metastazın hariç tutulmadığı bulgular metastatik olarak değerlendirildi. cN evrelemesi için, cN1 ve cN2a ayrımı, tutulan lenf nodu sayısı yerine açıkça nodal birleşme, konglomerasyon veya fiksasyon ile ayrıldı; bu bulgular olmadan metastatik I/II. aksiller nodlar cN1 olarak sınıflandırıldı. Diğer cN kategorileri AJCC anatomi tanımlarını izledi. Kurumsal raporlama geleneğimize göre “klaviküler bölge” terimi, eşzamanlı supraklaviküler ve infraklaviküler nodal tutulum olarak yorumlandı. Rapor temelli evrelemede, ipsilateralden açıkça supraklaviküler olarak tanımlanan nodlar bölgesel cN3c olarak sınıflandırıldı; boyun veya yalnızca boyun boyun seviyesi ile tanımlanan, supraklaviküler olarak açıkça nitelenmeyen nodlar ise bölgesel olmayan lenf nodları ve dolayısıyla cM1 olarak değerlendirildi. Nodal metastatik durum öncelikle rapordaki tanısal yorumlamadan belirlendi; FDG tutmayan veya klinik korelasyon önerilen nodlar, aksi takdirde metastatik bulgu önerilmedikçe negatif kabul edildi. Bölgesel olmayan nodal metastasiler cM1 olarak sınıflandırıldı ve birden fazla kriter karşılandığında en yüksek geçerli kategori atandı. AJCC anatomi evre grupları, cT, cN ve cM kategorilerinden türetildi. Referans-standart okuyucular ve modeller için aynı temel evreleme tanımları mevcuttu: cN3c, ipsilateral supraklaviküler nodal tumulum ile tanımlanırken, bölgesel olmayan lenf nodu metastasileri cM1 olarak sınıflandırıldı. Sonlandırılmış promptta, jenerik boyun veya boyun seviyesi terminolojisinin daha spesifik eşlemesi, bu tanımlar içinde örtük olarak yer alıyordu; ayrı ayrı belirtilmemişti. AJCC anatimi evrelemesi, prognoz evrelemesi için kullanıldı

histolojik derece ve biyomarker bilgileri PET/CT raporlarında rutin olarak yer almaz.

Referans standardı oluşturmak için, deneyimi sırasıyla 7 ve 12 yıl olan iki nükleer tıp hekiminin, 298 test kohortuna ait tüm meme kanseri cTNM evreleme PET/CT raporlarını yukarıda tanımlanan kriterlere göre bağımsız olarak yeniden değerlendirdi. Ortaya çıkan herhangi bir uyumsuzluk, 18 yıllık deneyime sahip üçüncü bir nukleer tıp hekimuyla görüşülerek konsensüs okumasına ulaşılacak şekilde çözüldü. Birincil iki okuyucu, yeniden değerlendirmeye eşlik eden model çıktılarını incelemedi veya kullanmadı ve referans standardı, son analiz için kullanılan model çıkarımı öncesinde kesin biçimde belirlendi. Konsensüs öncesi uyumsuzluklar cT, cN, cM ve AJCC anatomik evresi için kaydedildi; Tablo 3’te bildirilen uyumsuzluk oranları ve Cohen κ değerleri bu bağımsız değerlendirmeye aittir.

Kullanılan LLM’ler

13-14 Eylül 2026 tarihleri arasında, PET/CT raporlarının otomatik cTNM evrelemesi için GPT-5.5 Pro (API model tanımlayıcısı: gpt-5.5-pro) ve DeepSeek-V4-Pro (API model tanımlayıcısı: deepseek-v4-pro) ilgili API’leri üzerinden kullanıldı. GPT-5.5 Pro, OpenAI Responses API aracılığıyla; DeepSeek-V4-Pro ise OpenAI uyumlu chat completions uç noktası aracılığıyla erişildi. Kod, Python (sürüm 3.13.7) ile OpenAI (sürüm 2.9.0) ve pandas (sürüm 2.3.3) paketleri kullanılarak çalıştırıldı. Birbirine karşı ilk analizde, olgular arasında bilgi aktarımını önlemek için her rapor bağımsız bir API oturumu/bağlamında tek kez işlendi. GPT-5.5 Pro, akıl yürütme çabasının açıkça yüksek olacak şekilde çalıştırıldı. DeepSeek-V4-Pro ise düşünme modu açık ve akıl yürütme çabası yüksek olacak şekilde çalıştırıldı; ayrıca sıcaklık = 0 ve top_p = 1 sağlandı, ancak sıcaklığın DeepSeek düşünme modunda bir etkisi yoktur. Her iki model de sağlayıcının desteklediği yüksek akıl yürütme/düşünme ayarıyla yapılandırıldı; kalan çıkarım kontrolleri sağlayıcıya özgüydü. Her iki model için de ayrı bir tarihli anlık görüntü tanımlayıcısı sunulmadığından, kesin API model tanımlayıcıları ve son çıkarım tarihleri bildirildi. Tekrarlanabilirlik için birincil çalıştırma ile kohortun tamamını kapsayan iki ek çalıştırma analiz edildi (model başına üç çalıştırma) ve aynı kilitli istem ile ayrı API oturumları kullanıldı. Çoklu çalıştırma uyumluluğu Fleiss κ ile değerlendirildi ve ana cN ile AJCC anatomik evre performans karşılaştırmaları çalıştırmalar arasında incelendi. Dönüşen tüm model çıktıları ayrıştırılabilirdi; geçersiz çıktı biçimlendirmesi nedeniyle hiçbir olgu yeniden çalıştırılmadı. Evreleme etiketleri, zorunlu son özet cümlesinden otomatik olarak çıkarıldı ve cT, cN, cM ve AJCC anatomik evre etiketleri için önceden tanımlanmış desen eşleştirme kullanıldı; çıkarılan evreleme etiketlerinin elle düzeltilmesi yapılmadı.

İem mühendisliği

Önceden tanımlanan cTNM evreleme kriterleri temel alınarak, her iki LLM için görev odaklı, kural rehberli sıfır örnekli (zero-shot) bir istem tasarlandı. İstem, açık biçimlendirme kurallarını sağladı ve herhangi bir çözülmüş örnek içermeksizin yapılandırılmış, kural rehberli bir evreleme çerçevesini belirtti. 318 uygun rapor arasından, AJCC anatomik evre grubuna göre katmanlı rastgele örnekleme ile 20 geliştirme raporu seçildi. İstem iyileştirmesi yalnızca 20 raporluk geliştirme kümesi kullanılarak yapıldı; 298 raporluk test kohortundan elde edilen model çıktıları, olgu düzeyinde sonuçlar veya hata örüntüleri kullanılmadı. Dört istem sürümü geliştirme kümesi üzerinde değerlendirildi. Tekrarlayan bir hata, aynı evreleme hatasının istem belirsizliği nedeniyle en az iki raporda ortaya çıkması olarak tanımlandı. İyileştirme, yeni bir tekrarlayan hata örüntüsü tespit edilene kadar sürdürüldü. İstem değişiklikleri yalnızca her iki modelde de gözlemlenen tekrarlayan hata örüntüleri için yapıldı; yalnızca bir modele özgü hatalar modele özel düzenlemeleri tetiklemedi. Son hali verilen istem ardından kilitlendi ve 298 raporluk bağımsız test kohortunda her iki modele de değiştirilmeden uygulandı. Çince dilindeki tam istem ve İngilizce çevirisi Ek Malzemelerde sunulmakta; ayrıca burada çıkarım ve istatistiksel analiz kodları, olgu düzeyinde model tahminleri ve kimliği kaldırılmış örnek raporların karşılıklı model yanıtlarıyla birlikte gösterim amaçlı bir katmanlı alt kümesi yer almaktadır.

Hata analizi

LLM tabanlı cTNM evreleştirmedeki uyumsuzlukları sistematik olarak tanımlamak için model çıktıları incelendi ve hatalar birbirini dışlayan üç kategoriye ayrıldı: tanısal muhakeme hataları, hiyerarşik cTNM kurallarının uygulanmasında veya bildirilen bulgulardan sonuç çıkarılırken çıktı düzeyinde tutarsızlık olarak tanımlanan; özellik işleme hataları, evreleştirmeye ilgili betimleyicilerin atlanması veya tutarsız şekilde işlenmesi olarak tanımlanan; ve bilginin uygulanması hataları, çıkarılan bulgulara anatomik veya klinik bilginin hatalı şekilde uygulanması olarak tanımlanan. Sınıflandırma, iki birincil referans-standardı okuyucusundan biri olarak da görev yapan ve model kimliğinden haberdar olmayan, 12 yıllık deneyime sahip bir nükleer tıp hekim tarafından manuel olarak gerçekleştirildi. Referans-standardı, hata sınıflandırmasından önce kesin biçimde belirlenmişti ve hata sınıflandırma süreci referans etiketlerini değiştirmedi. Birden fazla kategorinin geçerli olabileceği durumlarda, uyumsuzluğun birincil gözlemlenebilir kaynağı atandı. Model tarafından üretilen açıklamalar yalnızca bağlamsal bilgi olarak kullanıldı, iç muhakemin kanıtı olarak değil. Hata yönü, temel cT/cN kategorisi düzeyinde değerlendirildi; temel düzeyin alt türlerindeki uyumsuzluklar yönden belirsiz olarak sınıflandırıldı. cM1’den cM0’a ve cM0’dan cM1’e hatalar sırasıyla düşük ve yüksek evreleştirmeye (understaging/overstaging) sınıflandırıldı. Her bileşen düzeyindeki hatanın nihayet AJCC anatomik evresini değiştirip değiştirmediği de kaydedildi.

İstatistiksel analiz

Her iki modelden elde edilen cTNM evreleme çıktıları, tüm test kümesi üzerinde referans standart ile karşılaştırıldı. Genel performans, doğruluk ve makro ortalamalı hassasiyet, duyarlılık ve F1 puanı kullanılarak değerlendirildi. Makro ortalamalama, her sınıfa eşit ağırlık atayarak dengesiz veride çoğunluk sınıflarının baskısını azaltır. Makro ortalamalı hassasiyet, duyarlılık ve F1 puanları yalnızca referans standart kategorileri üzerinden hesaplandı; bu etiket kümesinin dışında kalan tahminler ilgili doğru kategori için hatalı kabul edildi ve ek sınıf olarak dahil edilmedi. Doğruluk için %95 güvenirlik aralıkları Wilson yöntemiyle, makro ortalamalı hassasiyet, duyarlılık ve F1 puanları için ise 20.000 yeniden örnekleme içeren katmanlı eşleştirilmiş bootstrap ile tahmin edildi. cM evrelemesi için cM1 tespitine özgü sınıfa duyarlı ve özgül değerler, kesin binomial %95 güvenirlik aralıkları ile birlikte ayrıca hesaplandı. Modeller arasındaki doğruluk farkı karşılaştırması için kesin McNemar testi kullanıldı. Makro ortalamalı hassasiyet, duyarlılık ve F1 puanı, değiştirilebilir eşleştirilmiş tahmin sayısı 24 veya daha az olduğunda kesin sayım, aksi halde 100.000 yinelemeli Monte Carlo permütasyon testi ile karşılaştırıldı. Tek bir birincil sonuç değişmezi önceden tanımlanmadığı ve evreleme görevleri ile performans ölçüleri arasındaki karşılaştırmalar keşif amaçlı olduğu için çoklu karşılaştırma düzeltmesi uygulanmadı; dolayısıyla P değerleri nominal olarak yorumlanmalıdır. Modeller arasındaki farkın güvenirlik aralıkları eşleştirilmiş bootstrap ile, P değerleri ise yukarıda betimlenen eşleştirilmiş testlerle elde edildi. cM evrelemesi için yalnızca beş uyumsuz model tahmini gözlemlendiği için kesin sayım mümkün olsa da kesin iki yönlü P değerlerinin çözünürlüğü sınırlı kaldı; bu nedenle dört cM performans karşılaştırmasının tümünde P = 0.0625 bulundu. Her model için üç bağımsız çalıştırma boyunca tekrarlanabilirlik, Fleiss’ κ ile değerlendirildi.

Cohen kappa (κ) katsayıları, her bir LLM ile referans standart arasındaki uyum ve iki referans-okuyucu arasındaki konsensüs öncesi uyum değerlendirmesi için hesaplandı; %95 güvenirlik aralıkları, 50.000 yeniden örnekleme içeren parametrik olmayan, önyargı düzeltmeli ve hızlandırılmış (BCa) bootstrap yöntemiyle tahmin edildi. Şans düzeltmeli bir uyum ölçüsü olarak κ, ham doğruluğun ötesinde tamamlayıcı bilgi sağlar; özellikle sınıf dengesizliğinin bulunduğu durumlarda. κ değerlerinin yorumlanması yaygın eşiklere göre yapıldı: κ <0, zayıf uyum; 0 ≤κ ≤0,20, hafif uyum; 0,20 <κ ≤0,40, orta uyum; 0,40 <κ ≤0,60, orta-üstü uyum; 0,60 <κ ≤0,80, belirgin uyum; ve 0,80 <κ ≤1,00, neredeyse mükemmel uyum.

P < 0,05 istatistiksel olarak anlamlı kabul edildi. Model değerlendirmesi ve istatistiksel analizler Python (sürüm 3.13.7) kullanılarak gerçekleştirildi.

S Bulguları

Nihai analiz 298 adet 18F-FDG PET/CT raporunu içermiştir. cTNM ve AJCC anatomik evrelerinin referans-standard dağılımı Tablo 1’de özetlenmiştir. cT1c/cT2, cN0/cN1 ve cM0 baskın kategorilerdi. Uzak metastas 27 hastada (%9,1) mevcuttu; IA ve IIA evreleri birlikte 176 vakayı (%59,1) oluşturdu. Bu nedenle kohort sınıf dengesizliğine sahip olmakla birlikte klinik açıdan heterojendi; Şekil 2, marginal evre dağılımlarını ve cM durumuna göre ayrıştırılmış cT–cN örüntülerini göstermektedir.

Tablo 1

Evreleme bileşeni Evre Sayı (yüzde)
cT kategorisi cT1a 0 (0.0%)
cT1b 9 (3.0%)
cT1c 129 (43.3%)
cT2 130 (43.6%)
cT3 13 (4.4%)
cT4a 1 (0.3%)
cT4b 16 (5.4%)
cT4c 0 (0.0%)
cT4d 0 (0.0%)
cN kategorisi cN0 162 (54.4%)
cN1 79 (26.5%)
cN2a 18 (6.0%)
cN2b 2 (0.7%)
cN3a 3 (1.0%)
cN3b 13 (4.4%)
cN3c 21 (7.0%)
cM kategorisi cM0 271 (90.9%)
cM1 27 (9.1%)
AJCC anatomic evre IA 92 (30.9%)
IB 0 (0.0%)
IIA 84 (28.2%)
IIB 39 (13.1%)
IIIA 20 (6.7%)
IIIB 12 (4.0%)
IIIC 24 (8.1%)
IV 27 (9.1%)

cT, cN, cM ve AJCC anatomic evre dağılımı çalışma popülasyonunda.

AJCC, Amerikan Birleşik Kanser Komitesi.

Şekil 2

LLM tanısal performansının analizi

Model performansı Tablo 2’de özetlenmiştir. AJCC anatomic evre sınıflandırması, GPT-5.5 Pro ile DeepSeek-V4-Pro’ya göre daha doğru bulunmuştur (98.3’e karşı 90.3%, P < 0.001) ve buna karşılık gelen makro-F1 skorları 0.968 ve 0.861’dir (P < 0.001). Modeller arasındaki en büyük fark cN evrelemede ortaya çıkmıştır; burada GPT-5.5 Pro daha yüksek doğruluk (97.3’e karşı 87.2%, P < 0.001) ve makro-F1 skoru (0.959’e karşı 0.729, P < 0.001) elde etmiş; hassasiyet ve duyarlılık da daha yüksek bulunmuştur (Tablo 2).

Tablo 2

Evreleme bileşeni Ölçü GPT-5.5 Pro DeepSeek-V4-Pro Fark (95% IG) P değeri
cT kategorisi Doğruluk (95% IG) 98,3% (96,1–99,3%) 97,0% (94,4–98,4%) 1,3 (−1,0–3,7) 0,388
Doğruluk (95% IG) 98,3% (95,8–99,9%) 94,4% (90,5–98,3%) 3,9 (−0,7–8,3) 0,140
Tespis (95% IG) 95,5% (91,1–99,0%) 96,1% (92,7–99,1%) −0,6 (−5,4–3,9) 0,940
F1 skoru (95% IG) 0,968 (0,935–0,994) 0,952 (0,917–0,982) 1,6 (−2,7–5,7) 0,508
cN kategorisi Doğruluk (95% IG) 97,3% (94,8–98,6%) 87,2% (83,0–90,6%) 10,1 (6,7–13,4) <0,001
Doğruluk (95% IG) 98,6% (96,8–100,0%) 80,5% (76,5–84,7%) 18,0 (14,2–22,0) <0,001
Tespis (95% IG) 93,7% (89,2–97,6%) 74,3% (64,1–83,3%) 19,4 (10,6–29,6) <0,001
F1 skoru (95% IG) 0,959 (0,925–0,985) 0,729 (0,659–0,789) 23,0 (17,3–29,2) <0,001
cM kategorisi Doğruluk (95% IG) 99,7% (98,1–99,9%) 98,0% (95,7–99,1%) 1,7 (0,3–3,0) 0,063*
Doğruluk (95% IG) 99,8% (99,5–100,0%) 98,9% (98,2–99,6%) 0,9 (0,2–1,6) 0,063*
Tespis (95% IG) 98,1% (94,4–100,0%) 88,9% (81,5–96,3%) 9,3 (1,9–16,7) 0,063*
F1 skoru (95% IG) 0,990 (0,968–1,000) 0,932 (0,877–0,979) 5,8 (1,1–11,2) 0,063*
AJCC anatomik evre Doğruluk (95% IG) 98,3% (96,1–99,3%) 90,3% (86,4–93,1%) 8,1 (4,7–11,4) <0,001
İsabetlilik (95% IG) 98,6% (97,2–99,7%) 88,8% (85,0–92,4%) 9,8 (6,1–13,7) <0,001
Tespit oranı (95% IG) 95,5% (91,6–98,8%) 86,2% (80,7–91,2%) 9,4 (3,4–15,5) 0,003
F1 skoru (95% IG) 0,968 (0,934–0,993) 0,861 (0,809–0,906) 10,7 (5,4–16,1) <0,001

Modellerin serbest metin 18F-FDG PET/CT raporlarına dayalı otomatik cTNM evrelemesi için sınıf performansları.

AJCC, Amerikan Kanser Birliği Komitesi. İsabetlilik, tespit oranı ve F1 skoru sınıflar üzerinde makro ortalamalardır. Modeller arası farklar (GPT-5.5 Pro eksi DeepSeek-V4-Pro) yüzde puanı ölçeğinde verilmiştir; F1-score farkları tutarlılık için 100 ile çarpılmıştır.

*

cM evrelemesi için yalnızca beş uyumsuz tahmin kesin iki taraflı P-değer ayrımını sınırlamıştır (tümü P = 0,0625); bootstrap fark güven aralıkları ve kesin P-değerler aynı anlamlılık sonuçlarını vermeyebilir.

cT ve cM evrelemesi için modeller arasında istatistiksel açıdan anlamlı bir fark tespit edilmedi. cT için doğruluk 98,3% ile 97,0% (P = 0,39), makro-F1 değeri ise 0,968 ile 0,952 (P = 0,51) olarak bulundu. cM için doğruluk 99,7% ile 98,0%, makro-F1 değeri ise 0,990 ile 0,932 olarak hesaplandı; dört metrik karşılaştırmanın tümünde P = 0,0625 bulundu. cM1 tespitinde GPT-5.5 Pro, DeepSeek-V4-Pro’ya göre sayısal olarak daha yüksek duyarlılık gösterdi (96,3% [95% IG, 81,0–99,9%] ile 77,8% [95% IG, 57,7–91,4%]) ve daha az yanlış negatif cM1 vakası vardı (1 ile 6). Her iki model de 100,0% özgüllük (95% IG, 98,6–100,0%) gösterdi ve hiçbir yanlış pozitif cM1 tahmini bulunmadı. DeepSeek-V4-Pro tarafından kaçırılan altı cM1 vakasından üçü bölgesel olmayan servikal lenf nodlarını, dördü mediastinal lenf nodlarını içeriyordu; bir vaka her iki bölgeyi de kapsıyordu; hiçbir vaka diğer uzak metastatik bölgeleri içermiyordu. GPT-5.5 Pro tarafından kaçırılan tek cM1 vakası bölgesel olmayan servikal lenf nodlarını içeriyordu. Şekil 3, cT, cN, cM ve AJCC anatomik evrelemesi boyunca eşleştirilmiş performans profillerini özetlemektedir.

Şekil 3

Üç bağımsız tam kohort çalışmasında her iki model de neredeyse mükemmel çoklu çalışma uygarlığı gösterdi (Fleiss’ κ = 0,97 GPT-5.5 Pro için ve 0,94 DeepSeek-V4-Pro için). Performans çalışmalar arasında asgari düzeyde değişti. GPT-5.5 Pro için AJCC anatomik evrelemesi doğruluğu 98,0% ile 98,3% arasında, makro-F1 değeri 0,966 ile 0,968 arasında değişirken, cN doğruluğu 97,0% ile 97,3% arasında değişti. DeepSeek-V4-Pro için AJCC anatomik evrelemesi doğruluğu 90,3% ile 90,6% arasında, makro-F1 değeri 0,858 ile 0,864 arasında; cN doğruluğu 87,2% ile 87,6% arasında ve makro-F1 değeri 0,725 ile 0,733 arasında değişti. GPT-5.5 Pro, her çalışmada AJCC anatomik evrelemesi ve cN sınıflandırması için DeepSeek-V4-Pro’ya göre anlamlı derecede daha doğru kaldı (tüm McNemar P < 0,01).

Okuyucu okuyucu ve model–referans standardı uygarlığı

Consensüsten önce, iki referans-standart okuyucu 298 olgunun 28’inde (9,4%) en az bir evreleme atamasında uyumsuzdu. Göreve özgü uyumsuzluk oranları cM için %1,0’dan cN için %7,4’e kadar değişiyor ve buna karşılık gelen κ değerleri 0,86–0,95 aralığında idi (Tablo 3). Her bir LLM ile referans-standart arasındaki uyum da yüksekti: GPT-5.5 Pro için κ 0,96–0,98, DeepSeek-V4-Pro için ise 0,80–0,95 aralığında idi (Tablo 3).

Tablo 3

Evreleme bileşeni LLM’lerin RS ile uyumu Pre-consensus okuyucu-arası uyumu
GPT–RS κ (95% GI) DS–RS κ (95% GI) Uyumsuzluk, n/N (%) Okuyucu-arası κ (95% GI)
cT kategorisi 0,97 (0,94–0,99) 0,95 (0,91–0,98) 8/298 (2,7%) 0,95 (0,92–0,98)
cN kategorisi 0,96 (0,92–0,98) 0,80 (0,74–0,85) 22/298 (7,4%) 0,86 (0,81–0,91)
cM kategorisi 0,98 (0,87–1,00) 0,86 (0,72–0,95) 3/298 (1,0%) 0,93 (0,85–1,00)
AJCC anatomik evre 0,98 (0,95–0,99) 0,88 (0,83–0,91) 12/298 (4,0%) 0,91 (0,87–0,95)

Model–referans-standart ve pre-consensus okuyucu-arası uyumu.

LLM’ler, büyük dil modelleri; GPT, GPT-5.5 Pro; DS, DeepSeek-V4-Pro; RS, referans-standart; AJCC, Amerikan Birleşik Kanser Komitesi.

Hata deseni analizi

Hata türlerinin dağılımı iki model arasında farklıydı (Tablo 4). Üç bileşen cTNM görevi boyunca DeepSeek-V4-Pro 53 sınıflandırma hatası yaptı; bilgi uygulama hataları en sık görüleniydi (53/29, %55), bunu izledi teşhis muhakemesi hataları (53/21, %40); işleme özelliği hataları nadirdi (53/3, %6). GPT-5.5 Pro bu görevlerde 14 sınıflandırma hatası üretti; bunlar yedi teşhis muhakemesi hatası (%50), dört işleme özelliği hatası (%29) ve üç bilgi uygulama hatası (%21) içeriyordu. Birinci çalışmada, 18 çıktı genel “cN3” etiketini, önceden belirlenmiş bir cN3 alt türü yerine kullandı (12’si DeepSeek-V4-Pro’dan, 6’sı GPT-5.5 Pro’dan); bu çıktılar belirli bir cN3 alt türü gerektiğinde hatalı kabul edildi. Şekil 4, modelden etkilenen göreve ve hata kategorisine kadar hata akışını özetlererek çoğu hatanın cN evrelemesiyle ilişkili olduğunu ve DeepSeek-V4-Pro hatalarının çoğunun bilgi uygulama ve teşhis muhakemesiyle bağlantılı olduğunu göstermektedir.

Tablo 4

Model Evreleme bileşeni Hata türü 1 Hata türü 2 Hata türü 3
DeepSeek-V4-Pro cT kategorisi 4/9 (%44) 3/9 (%33) 2/9 (%22)
cN kategorisi 17/38 (%45) 0 21/38 (%55)
cM kategorisi 0 0 6/6 (%100)
Toplam 21/53 (%40) 3/53 (%6) 29/53 (%55)
GPT-5.5 Pro cT kategorisi 1/5 (%20) 4/5 (%80) 0
cN kategorisi 6/8 (%75) 0 2/8 (%25)
cM kategorisi 0 0 1/1 (%100)
Toplam 7/14 (%50) 4/14 (%29) 3/14 (%21)

cT, cN ve cM evreleme görevleri boyunca sınıflandırma hatalarının dağılımı.

Hata türü 1, teşhis muhakemesi hataları; Hata türü 2, işleme özelliği hataları; Hata türü 3, bilgi uygulama hataları.

Şekil 4

Temsil hataları Tablo 5’te gösterilmektedir. cT evreleme hataları, spesifik olmayan cilt bulguları için önceden tanımlanan kuralın uygulanmaması, cilt infiltrasyonunun ana işaretlerinin atlanması ve meme çekilmesinin doğrudan tümör invazyonu yerine fibroz ile ilişkili çekme olarak yanlış değerlendirilmesini içermektedir. cN evreleme hataları, geçerli en yüksek cN kategorisinin önceliklendirilmemesi ve pektoral arkası lenf nodlarının klavikula altı nodlar olarak yanlış tanımlanması, hatalı yükseltilmeye yol açmaktadır. cM evrelemede başlıca hata, mediastinal veya bölgesel olmayan servikal lenf nodu metastazlarının uzak hastalık olarak tanınmaması, böylece cM1 yerine cN3c olarak yanlış sınıflandırmaya yol açmaktadır.

Tablo 5

Evre Hata türü Temsil hatarı
cT kategorisi Hata türü 1 Tanısal Muhakeme Hatası: Spesifik olmayan cilt bulgularının involvman olmayan durumu gösterdiğini belirten önceden belirlenmiş çıkarım kuralına uyulamama.
Hata türü 2 Özellik İşleme Hatası: Cilt infiltrasyonunun ana işaretlerinin, namely cilt kalınlaşması (± FDG aviditesi) ve involvmanlı cilt ile primer tümör arasındaki belirsiz sınırların tanımlanamaması.
Hata türü 3 Bilgi Uygulama Hatası: Meme çekilmesinin tümör invazyonu olarak yanlış değerlendirilmesi; oysa bu durum daha sık bir fibroz sekvelidir.
cN kategorisi Hata türü 1 Tanısal Muhakeme Hatası: Geçerli en yüksek cN kategorisinin öncelik aldığı ilkenin uygulanmaması, böylece daha kesin olan cN3b veya cN3c yerine genel cN3 olarak yanlış sınıflandırma.
Hata türü 3 Bilgi Uygulama Hatası: Pektoral arkası lenf nodlarının klavikula altı nodlar olarak yanlış tanımlanması, hatalı cN yükseltilmesine yol açmaktadır.
cM kategorisi Hata türü 3 Bilgi Uygulama Hatası: Mediastinal veya bölgesel olmayan servikal lenf nodu metastazlarının uzak hastalık (cM1) oluşturduğu bilinmemesi, böylece hatalı cN3c’ye alçaltmaya yol açmaktadır.

Her hata türünden cT, cN ve cM evrelemesinde temsilci örnekler.

cN evrelemesinde tür 2 hataları görülmezken, cM evrelemesi yalnızca tür 3 hataları içermiştir.

Bileşen düzeyindeki hatalar son AJCC anatomik evre hatalarına düzgün biçimde yansımamıştır. DeepSeek-V4-Pro için 9 cT hatasının 7’si (%77,8), 38 cN hatasının 23’ü (%60,5) ve 6 cM hatasının tamamı (%100,0) hatalı son AJCC anatomik evre ile birlikteyken; GPT-5.5 Pro için karşılık_oranlar sırasıyla 4/5 (%80,0), 1/8 (%12,5) ve 1/1 (%100,0) olmuştur. Her iki modeldeki tüm cM hataları alt evrelemeyi temsil etmiştir. Hata yönü ve yansima örüntüleri Ek Tablo S1’de ayrıntılı olarak verilmiştir.

Tartışma

LLM’ler basit veri arama araçlarından karmaşık muhakeme motorlarına evrilirken, klinik görevlerdeki performans değişkenliği ve hızlı gelişimi, klinik entegrasyondan önce sistematik doğrulama gerekliliğini ortaya koymaktadır. Bu çalışmada her iki model de uzman raporu tabanlı referans ölçütüyle yüksek uyum göstermiş, ancak göreli performansları evreleme görevine göre farklılık göstermiştir. Modeller arası en büyük fark cN evrelemesinde ortaya çıkmıştır (doğruluk, %97,3’e karşı %87,2; makro-F1, 0,959’a karşı 0,729) ve bu fark genel AJCC anatomik evre sınıflandırmasına yansımıştır (doğruluk, %98,3’e karşı %90,3; makro-F1, 0,968’e karşı 0,861). cM evrelemesi için modeller arası genel farklar istatistiksel olarak anlamlı değilken, cM1 duyarlılığı sayısal olarak GPT-5.5 Pro ile daha yüksekti (%96,3’e karşı %77,8), özgüllük ise her iki model için %100,0’dı. Bu bulgular raporu tabanlı otomatik evrelemenin uygulanabilirliğini desteklemekte, ancak özellikle nodal evreleme ve uzak nodal hastalık için hekim doğrulamasının gerekliliğini de vurgulamaktadır. Referans ölçütü bağımsız görüntü düzeyindeki veya klinik evrelemeden değil, özenle hazırlanmış raporlardan türetildiği için bildirilen performanslar, raporu tabanlı referans ölçütüyle uyum olarak yorumlanmalıdır.

cN evrelemesi, temel zorluğu ve modeller arası farkların en büyük kaynağını oluşturdu. cT veya cM sınıflandırmasından farklı olarak, cN evrelemesi nodal istasyonun, lateralinin, matlaşma veya fiksasyonun ve çoklu istasyon tutulumunun bütünleştirilmesini gerektirirken, ayrıca bölgesel ile bölgesel olmayan nodal hastalığı da birbirinden ayırır. Bu nedenle her iki modelde de bileşen düzeyindeki hataların çoğu cN evrelemesinde ortaya çıktı. Sınıflandırma, rapor metninden doğrudan çözülemeyen bulgular için önceden belirlenmiş rapor düzeyinde işlem kurallarına da dayandığından, bazı hatalar yalnızca yetersiz AJCC bilgisinden çok, çalışma özgü talimatların tutarsız uygulanmasını yansıtıyor olabilir.

cN ve genel evre performansındaki fark, genel model üstünlüğünün kanıtı değil, görev özgü bir durum olarak yorumlanmalıdır. Zıt hata profilleri, modellerin rapor bulgularını anatomik kategorilere ve evreleme kurallarına ne kadar tutarlı biçimde eşlediklerindeki farkları işaret ediyor. DeepSeek-V4-Pro hataları çoğunlukla bilgi uygulaması ve tanısal muhakemeye, GPT-5.5 Pro ise genel olarak daha az sayıda hataya sahip olup, buna nispeten daha büyük katkı özelliş işlemeden kaynaklanıyordu. Bu örüntüler, dağıtılmış rapor bulgularının talimatlara uyum ve bütünleştirilmesindeki farkları yansıtıyor olabilir; ancak davranış düzeyinde yorumlar olarak değerlendirilmeli, altta yatan model mekanizmalarına dair kanıt olarak görülmemelidir.

Bulgularımız, 111 uydurma Almanca dilinde PET/CT raporu kullanarak ChatGPT-4o, DeepSeek V3, Claude 3.5 Sonnet ve Gemini 2.0 Flash’ı değerlendiren Spitzl ve arkadaşlarının çalışmalarını destekler ve genişletir. Söz konusu çalışmada cN evrelemesi, cM evrelemesinden daha zorluydu: cN sınıflandırması için F1 skorları ChatGPT-4o için 0.86 ve DeepSeek V3 için 0.84 iken, cM sınıflandırması için sırasıyla 0.97 ve 0.98 olarak bulundu (). Bu dil, veri seti ve model nesilleri boyunca paylaşılan örüntü, nodal evrelemenin rapor temelli meme kanseri evrelemesinde içsel bir darboğaz olduğu yorumunu güçlendirir. Çalışmamızdaki performans tahminlerinin çoğu sayısal olarak Spitzl ve arkadaşlarının bildirdiklerinden yüksek olsa da, iki çalışma arasındaki doğrudan sayısal karşılaştırma uygun değildir. Spitzl ve arkadaşları, standartlaştırılmış bir şablon ve evrensel bir genel istem kullanılarak oluşturulan hekim kaynaklı raporlar kullanırken, mevcut çalışma daha büyük bir doğal ortaya çıkan Çince dilinde rapor kümesi ve görev odaklı, kural rehberli sıfır atışlı istem stratejisi kullandı. Uydurma raporlar kontrollü değerlendirmeyi ve net taban-gerçeği atamayı kolaylaştırırken, doğal ortaya çıkan klinik raporlar kuruma özgü ifade biçimlerini, değişken rapor yapısını ve rutin klinik belgelemede bulunan belirsizliği daha iyi yansıtabilir (, , ).

Klinik açıdan otomatik evrelemesi, anlatısal PET/CT raporlarından evreleme bilgisinin yapılandırılmış biçimde çıkarılması ve doğrulanmasını destekleyebilir (, ). Çıktılar, özellikle nodal istasyonlar, bölgesel olmayan lenf nodları ve cM1 hastalıkta sınıflandırma hatası klinik yönetimi etkileyebileceğinden, hekim doğrulaması altında kalmalıdır (, ). Bileşen düzeyindeki hatalar her zaman nihai evre grubunu değiştirmedi; ancak tüm cM hataları evre grubunun aşırı düşük tahminine yol açtı. Önemlisi, yalnızca rapora dayalı bir model, kaynak raporda atlanan veya hatalı biçimde betimlenen bulguları geri kazanamaz.

Birkaç kısıtlamanın kabul edilmesi gerekir. İlk olarak, bu retrospektif tek merkezli çalışma yalnızca Çince dilindeki raporları içeriyordu ve evre dağılımı dengesizdi; bazı kategoriler yoktu (cT1a, cT4c, cT4d ve IB evresi) ve bazıları az temsil edilmişti (cT4a, cN2b ve cN3a), bu da genellenebilirliği ve nadir kategoriler için doğruluğu sınırlıyordu. İkinci olarak, PET/CT rapor metni doğrudan nodal hareketliliği değerlendiremediği için cN evrelemesi, AJCC kriterlerinin bazılarının önceden belirlenmiş rapor düzeyinde operasyonelleştirilmesini ve kuruma özgü terminolojiyi gerektirdi; bu kurallar ve görev özgü prompt başka raporlama pratiklerine genellenmeyebilir. Üçüncü olarak, raporlar dahil edilmeden önce görüntüleme ile doğrulandı, bu nedenle bu özenle hazırlanmış giriş koşulları altındaki performans, özenle hazırlanmamış rutin pratikteki performansı abartmış olabilir. Rapor tabanlı referans standart yine uzman yorumuna tabiydi ve hâv sınıflandırması ara değerlendirme yapılmadan tek, körlenmemiş bir uzman tarafından gerçekleştirildi. Son olarak, yalnızca iki hızla gelişen model sürümü değerlendirildi. Her iki model de sağlayıcı tarafından desteklenen yüksek akıl yürütme/düşünme ayarını kullandı ve yüksek tekrarlanabilirlik gösterdi; ancak sağlayıcıya özgü çıkarım kontrolleri özdeşti ve çıkarım süresi, maliyet, kalibrasyon ve belirsizlik değerlendirilmedi.

Sonuç olarak, her iki model de özenle hazırlanmış giriş koşulları altında uzman rapor tabanlı referans standartla yüksek uyum gösterdi; ancak performans görev ve modele bağıldı ve modeller arası en büyük fark cN evrelemesinde gözlemlendi. Klinik uygulamadan önce önceden belirlenmiş promptlar, bağımsız dış veri setleri ve AJCC kategorilerinin daha geniş temsilini içeren prospektif çok merkezli çalışmalar gereklidir. LLM tabanlı evreleme, uzman yorumunu yerine yerine değil tamamlayan, denetlenebilir bir asistan olarak değerlendirilmelidir.

Açıklamalar

Veri erişilebilirliği açıklaması

Bu makalenin sonuçlarını destekleyen ham veriler, gereksiz bir saklama olmaksızın yazarlar tarafından erişilebilir hale getirilecektir.

Ahlak açıklaması

İnsanlar dahil edilen çalışmalar, Jilin Üniversitesi Çin-Japon Birliği Hastanesi Etik Kurulunca onaylandı. Çalışmalar, yerel mevzuat ve kurumsal gerekliliklere uygun olarak yürütüldü. Ulusal mevzuat ve kurumsal gerekliliklere göre, katılımcılardan veya katılımcıların yasal velileri/yakınlarından katılım için yazılı onam istenmedi.

Yazar katkıları

WQ-C: Araştırma, Kavramsal Tasarım, Biçimsel Analiz, İlk Yazım, Yöntem, Doğrulama. MK-Y: Araştırma, Doğrulama, Kavram Tasarımı, Finansman Edinme, İlk Yazım, Biçimsel Analiz, Veri Düzenleme. TL-L: İlk Yazım, Araştırma, Doğrulama. LW-J: Veri Düzenleme, Doğrulama, İlk Yazım, Kaynaklar. WC-Y: Yazılım, İlk Yazım, Görselleştirme, Biçimsel Analiz. LJ-F: Yazım – inceleme ve düzenleme, Doğrulama. JB: Yöntem, Kaynaklar, Proje Yönetimi, Doğrulama, Kavram Tasarımı, Gözetim, Yazım – inceleme ve düzenleme.

Finansman

Yazar(lar), bu çalışma ve/veya yayımı için finansal destek alındığını bildirdi. Jilin Eyaleti Sağlık Araştırmaları Yetenek Özel Projesi (Grant No: 2023SCZ46), Jilin Eyaleti Maliye Dairei. Qingyuan Bilim ve Teknolofik Düşünce Tankı Özel Projesi, Qingyuan Bilim ve Teknoloji Derneği (Grant No: QYZKZZ-2026-03).

Çıkar çatışması

Yazar(lar), bu çalışmanın, olası bir çıkar çatışması olarak değerlendirilebilecek herhangi bir ticari veya finansal ilişki olmadan yürütüldüğünü bildirdi.

Üretken yapay zeka beyanı

Yazar(lar), bu el yazısının oluşturulmasında üretken yapay zeka kullanılmadığını bildirdi.

Bu makaledeki figürlerle birlikte sağlanan alternatif metinler (alt text), Frontiers tarafından yapay zeka desteğiyle oluşturulmuş olup, mümkün olduğunca yazarların incelemesini de içeren doğruluk sağlamak için makul çabalar gösterilmiştir. Herhangi bir sorunu tespit ederseniz, lütfen bizimle iletişime geçin.

Yayıncının notu

Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve bağlı oldukları kuruluşların, yayıncının, editörlerin veya hakemlerin görüşlerini zorunlu olarak yansıtmaz. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisinin yapabileceği herhangi bir iddia, yayıncı tarafından garanti edilmez veya desteklenmez.

Ekleme materiali

Bu makalenin Ekleme Materiali çevrimiçi olarak şu adreste bulunabilir: https://www.frontiersin.org/articles/10.3389/fdgth.2026.1951695/full#supplementary-material

  • 1.

    TeichgraeberDCGuirguisMSWhitmanGJ. Breast cancer staging: updates in the AJCC cancer staging manual, 8th edition, and current challenges for radiologists, from the AJR special series on cancer staging. AJR Am J Roentgenol. (2021) 217:278–90. 10.2214/ajr.20.25223

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • 2.

    PesapaneFDowneyKRotiliACassanoEKohDM. Imaging diagnosis of metastatic breast cancer. Insights Imaging. (2020) 11:79. 10.1186/s13244-020-00885-4

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • 3.

    VogsenMJensenJDChristensenIYGerkeOJyllingAMBLarsenLBet al. FDG-PET/CT in high-risk primary breast cancer-a prospective study of stage migration and clinical impact. Breast Cancer Res Treat. (2021) 185:145–53. 10.1007/s10549-020-05929-3

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • 4.

    MoghrabiSMohammad Al-HouwariRAbdel-RazeqHMansourAMikhail-LetteMAbdlkadirASet al. Integrating PET/CT into breast cancer care: a review of recent developments. Expert Rev Anticancer Ther. (2025) 25:771–86. 10.1080/14737140.2025.2513450

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
  • 5.

    VazSCWollJPPCardosoFGroheuxDCookGJRUlanerGA ve ark. 2-[18F]FDG PET/CT’nin özel olmayan tip meme kanserindeki rolüne ilişkin EANM-SNMMI ortak yönergesi: (ACR, ESSO, ESTRO, EUSOBI/ESR ve EUSOMA tarafından desteklenen). Eur J Nucl Med Mol Imaging. (2024) 51:2706–32. 10.1007/s00259-024-06696-9

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • 6.

    LeeJEParkKSKimYHSongHCParkBJeongYJ. Akciğer kanseri evrelemesi için akciğer BT ve FDG PET/CT serbest metin raporları: üç ChatGPT büyük dil modeli ile farklı deneyim düzeyine sahip altı insan okuyucu arasındaki karşılaştırma. AJR Am J Roentgenol. (2024) 223:e2431696. 10.2214/ajr.24.31696

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • 7.

    XuWCaoLShenQShanYPanSRuanM. Büyük dil modellerinin PET-BT raporlarından otomatik TNM evrelemesi için değerlendirilmesi: çoklu kanser karşılaştırmalı çalışması. Front Digit Health. (2026) 8:1741973. 10.3389/fdgth.2026.1741973

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • 8.

    TieXShinMPirastehAIbrahimNHuemannZCastellinoSMet al. Büyük dil modellerini kullanarak PET raporları için kişiselleştirilmiş değerlendirme metni üretimi. J Imaging Inform Med. (2024) 37:471–88. 10.1007/s10278-024-00985-3

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • 9.

    YumJINaqviSAAZhouBRiazIB. Üretken yapay zeka ile kanser bakımını yeniden düşünmek: büyük dil modellerinin sunduğu olanak. JCO Clin Cancer Inform. (2025) 9:e2500134. 10.1200/cci-25-00134

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • 10.

    Chen KH, Hou X, Li X, Yu W, Yi H. Meme kanseri görüntülemesi için büyük dil modellerine dayalı yapılandırılmış rapor üretimi: GPT-4 ve DeepSeek’in karşılaştırmalı analizi. Acad Radiol. (2025) 32:5693–702. 10.1016/j.acra.2025.07.046

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • 11.

    Kim S, Lee C, Kim S. Dil modelleri: radyologlar için bir rehber. Korean J Radiol. (2024) 25:126–33. 10.3348/kjr.2023.0997

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • 12.

    Artsi Y, Sorin V, Glicksberg B S, Korfiatis P, Nadkarni G, Klang E. Gerçek dünya klinik iş akışlarında dil modelleri: uygulamalar ve uygulama sistematik derlemesi. Front Digit Health. (2025) 7:1659134. 10.3389/fdgth.2025.1659134

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • 13.

    Gong E, Bang C, Lee J J, Baik G H. Klinik dil modellerinde bilgi-pratik performans açığı: 39 değerlendirmenin sistematik derlemesi. J Med Internet Res. (2025) 27:e84120. 10.2196/84120

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
  • 14.

    Lee R C, Hadidchi R, Coard M C, Rubinov Y, Alamuri T, Liaw A ve ark. Radyoloji raporlarında dil modellerinin kullanımı: bir tarama derlemesi. J Am Coll Radiol. (2026) 23:437–54. 10.1016/j.jacr.2025.10.005

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • 15.

    Sorin V, Collins J D, Bratt A K, Kusmirek J E, Mugu V K, Kline T L ve ark. Radyoloji raporları sınıflandırması için dil modellerinde istem ve veri bozulması duyarlılığının değerlendirilmesi. JAMIA Open. (2025) 8:ooaf073. 10.1093/jamiaopen/ooaf073

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • 16.

    Suleman M, MUMursaleen M, Khalil U, Saboor A, Bilal M, Khan S, et al. Yapay zekânın radyolojide genelletilebilirliğinin değerlendirilmesi: Farklı klinik ortamlarda performansın sistematik derlemesi. Ann Med Surg. (2025) 87:8803–11. 10.1097/ms9.0000000000004166

    • CrossRef
    • Google Scholar
    • Makalede referansı görüntüle
  • 17.

    Spitzl D, Mergen M, Braren R, Endros L, Eiber M, Steinhelfer L. PET/CT raporlarından LLM destekli kanser evrelemesi: Karşılaştırmalı bir çalışma. Int J Med Inform. (2025) 204:106053. 10.1016/j.ijmedinf.2025.106053

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • Makalede referansı görüntüle
  • 18.

    Ismayilov R, Aktas A, Gencoglu EA, Oguz A, Altundag O, Akcali Z. PSMA PET-CT raporlarında yapay zeka ile prostat kanseri evrelemesi: Büyük dil modelleri ve uzman yorumunun karşılaştırmalı çalışması. Mol Imaging Biol. (2026) 28:93–105. 10.1007/s11307-025-02072-7

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • Makalede referansı görüntüle
  • 19.

    Meystre SM, Friedlin FJ, South BR, Shen S, Amore MH. Elektronik sağlık kayıtlarında metinsel belgelerin otomatik olarak kimliği kaldırılması: Güncel araştırmaların derlemesi. BMC Med Res Methodol. (2010) 10:70. 10.1186/1471-2288-10-70

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • Makalede referansı görüntüle
  • 20.

    Landis JR, Koch GG. Kategorik verilerde gözlemci uyumunun ölçülmesi. Biometrics. (1977) 33:159–74. 10.2307/2529310

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • Makalede referansı görüntüle
  • 21.

    Giuffre M, Shung DL. Sağlık alanında sentetik verinin gücünü kullanma: Yenilik, uygulama ve gizlilik. NPJ Digit Med. (2023) 6:186. 10.1038/s41746-023-00927-3

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • Makalede referansı görüntüle
  • 22.

    BediSLiuYOrr-EwingLDashDKoyejoSCallahanAet al. Büyük dil modellerinin sağlık hizmetleri uygulamalarındaki kullanımı için test ve değerlendirme: sistematik derleme. JAMA. (2025) 333:319–28. 10.1001/jama.2024.21700

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • 23.

    BuschFHoffmannLDos SantosDPMakowskiMRSabaLPruckerPet al. Radyolojide yapılandırılmış raporlama için büyük dil modelleri: geçmiş, şimdi ve gelecek. Eur Radiol. (2025) 35:2589–602. 10.1007/s00330-024-11107-6

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • 24.

    LarsonDBTowbinAJPryorRMDonnellyLF. Departman çapında standartlandırılmış yapılandırılmış raporlamanın kullanımı aracılığıyla radyoloji raporlamasında tutarlılığın artırılması. Radiology. (2013) 267:240–50. 10.1148/radiol.12121502

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • 25.

    NiraulaDCuneoKCDinovIDGonzalezBDJamaluddinJBJinJJet al. Hassas onkolojide dinamik karar vermada insan-yapay zeka etkileşiminin karmaşıklıkları. Nat Commun. (2025) 16:1138. 10.1038/s41467-024-55259-x

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • 26.

    ZituMMLeTDDuongTHaddadanSGarciaMAmorrortuRet al. Kanser alanında büyük dil modelleri: potansiyeller, riskler ve güvenceler. BJR Artif Intell. (2025) 2:ubae019. 10.1093/bjrai/ubae019

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • 27.

    LeeSCJainPAJethwaSCTripathyDYamashitaMW. Radyologun kanser evrelemesindeki rolü: klinik hekimlere kritik bilgi sağlanması. Radiographics. (2014) 34:330–42. 10.1148/rg.342135071

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • 28.

    Gradishar WJ, Moran MS, Abraham JA, Abramson V, Aft R, Agnese D, et al. Meme kanseri, version 3.2024, Onkolojide NCCN klinik uygulama rehberleri. J Natl Compr Canc Netw. (2024) 22:331–57. 10.6004/jnccn.2024.0035

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article

Özet

Anhtar kelimeler

meme kanseri, büyük dil modelleri, doğal dil işleme, PET/CT, TNM evreleme

Başvuru

Qi-Chang W, Kai-Yin M, Lei-Lei T, Wen-Jia L, Cheng-Yi W, Jian-Fang L ve Bin J (2026) Chinese-dili PET/CT raporlarından iki büyük dil modeli kullanılarak otomatik meme kanseri evreleme: retrospektif tek merkezli çalışma. Front. Digit. Health 8:1951695. doi: 10.3389/fdgth.2026.1951695

Cephesi

29 Temmuz 2026

Güncellendi

11 Ekim 2026

Onaylandı

19 Ekim 2026

Yayınlandı

11 Kasım 2026

Cilt

8 – 2026

Arlene Casey, Edinburgh Üniversitesi, Birleşik Krallık

Carlos Alberto Pereira De Oliveira, Rio de Janeiro Devlet Üniversitesi, Brezilya

Andrea Lorenzi, Torino Teknik Üniversitesi, İtalya

© 2026 Qi-Chang, Kai-Yin, Lei-Lei, Wen-Jia, Cheng-Yi, Jian-Fang ve Bin.

Bu, Creative Commons Atama Lisansı (CC BY) koşulları altında dağıtılan açık erişimli bir makaledir. Orijinal yazar(lar)ın ve telif hakkı sahib(ler)inin belirtilmesi ve kabul edilen akademik uygulamaya uygun olarak bu dergideki orijinal yayının atıf edilmesi şartıyla, diğer forumlarda kullanım, dağıtım veya çoğaltma izinlidir. Bu koşullara uymayan hiçbir kullanım, dağıtım veya çoğaltma izinlidir.

*İletişim: Ji Bin jibin@jlu.edu.cn

†
Bu çalışmaya eşit katkıda bulunan yazarlar

Frontiers | Automated breast cancer staging from Chinese-language PET/CT reports using two large language models: a retrospective single-cen
Frontiers | Automated breast cancer staging from Chinese-language PET/CT reports using two large language models: a retrospective single-cen

Bu makalede ifade edilen tüm görüşler yalnızca yazarlara aittir ve bağlı oldukları kuruluşların, yayıncının, editörlerin veya hakemlerin görüşlerini zorunlu olarak yansıtmaz. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisinin yapabileceği herhangi bir iddia, yayıncı tarafından garanti edilmez veya desteklenmez.

İlginizi Çekebilir: Küçük Hücreli Akciğer Kanserinde Hastaların Belirli Bir Kısmında Görülen Lambert-Eaton Myastenik Sendromu: Büyük ABD Sağlık Sisteminde Kayıtlı Görülme Sıklığı →
Kaynak: Frontiersin ↗
BENZER İNCELEMELER

İlgili Diğer Rehberler