Команда профессора Хай Ли из Хэфэйского института физических наук (Китайская академия наук) первой в мире провела системное исследование: могут ли большие языковые модели (LLM) предсказывать эффективность лечения рака печени. Это открывает путь к персонализированной медицине с искусственным интеллектом.

Результаты опубликованы в издании Journal of Medical Systems.

Гепатоцеллюлярная карцинома (ГЦК) — один из самых агрессивных видов рака. При запущенных стадиях комбинированная терапия (иммунотерапия + таргетные препараты) помогает лишь 30% пациентов. Предсказать, кому лечение пойдет на пользу, — ключевая задача для онкологов.

Ученые протестировали четыре модели (GPT-4, GPT-4o, Google Gemini и DeepSeek) на данных 186 пациентов с неоперабельным ГЦК. Модели работали в режиме zero-shot learning — то есть их не обучали специально на медицинских данных. Чтобы повысить точность, исследователи экспериментировали с разными стратегиями принятия решений: голосованием, логическими комбинациями. Лучший результат показал гибридный алгоритм Gemini-GPT.

Zero-shot learning — способность ИИ решать задачи, на которых его никогда не обучали. Например, модель, тренированная на текстах из интернета, без дополнительной настройки предсказывает эффективность лекарств.

Что выяснилось:

• Gemini-GPT предсказывает исход лечения так же точно, как врачи с 15-летним стажем.
• Модель быстрее и надежнее младших и средних специалистов, особенно в определении пациентов, которым терапия поможет.
• Результаты стабильны для разных стадий болезни и типов лечения.

ИИ не заменит врачей, но поможет им принимать более точные решения, — говорит профессор Ли.

Это исследование — шаг к внедрению ИИ в реальную клиническую практику. Оказывается, языковые модели умеют не только генерировать текст, но и анализировать, сопоставлять факты, давать прогнозы.

Где пригодится:

• Скрининг пациентов. Вместо долгих пробных курсов химиотерапии — быстрый прогноз на основе данных.
• Снижение нагрузки на врачей. Алгоритм может фильтровать очевидные случаи, оставляя сложные для человеческого анализа.
• Стандартизация решений. В регионах, где нет опытных онкологов, ИИ станет «вторым мнением».

Проблема в том, что пока метод работает только после сбора всех данных. Но если его интегрировать в диагностические системы (например, при анализе КТ), польза будет мгновенной.

Главный недостаток — малая выборка (186 пациентов). Для надежных выводов нужны тысячи случаев. Кроме того, авторы не проверяли, как модель поведет себя с данными других больниц: если там иные протоколы обследований, точность может упасть.

Ранее ученые обнаружили ген, ускоряющий рак печени.