Digital Registrar: A Schema-First Framework for Multi-Cancer Privacy-Preserving Pathology Abstraction via Local LLMs

Dit artikel introduceert "Digital Registrar", een schema-georiënteerd framework dat lokale grote taalmodellen gebruikt om gratis tekstuele pathologieverslagen van tien kankertypes betrouwbaar en privacy-bewust om te zetten in gestructureerde, register-klaar data voor automatische kankerbewaking.

De kern

De Digitale Registrant: Een Slimme Vertaler voor Kanker-gegevens

Stel je voor dat elke arts die een tumor verwijdert, een heel gedetailleerd verhaal schrijft over wat ze hebben gevonden. Dit verhaal zit vol met cruciale informatie: hoe groot is de tumor? Zijn er kankercellen in de lymfeklieren? Is de rand van het verwijderde weefsel schoon?

Helaas schrijven artsen deze verhalen in vrije tekst, net als een dagboek. Voor een computer is dit als een boek in een vreemde taal: het ziet er mooi uit, maar de computer kan er geen cijfers uit halen om statistieken te maken of om snel te zien of een patiënt in aanmerking komt voor een nieuwe behandeling.

Dit is het probleem dat dit artikel oplost. De auteurs hebben "Digital Registrar" bedacht: een slimme, privacy-bewuste vertaler die deze vrije teksten omzet in een strakke, digitale database.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: De "Vertaalbarrière"

Vroeger moesten mensen deze medische verhalen handmatig overtypen in een computer. Dat is saai, duur en vol fouten.

• De analogie: Stel je voor dat je een enorme bibliotheek hebt waar elke auteur zijn eigen schrijfstijl gebruikt. Sommigen gebruiken komma's, anderen niet. Sommigen schrijven "kanker" als "carcinoom", anderen als "kwaadaardig gezwel". Een computer kan hierdoor de weg kwijtraken.

2. De Oplossing: Een Strakke "Recept" (Schema-First)

De onderzoekers hebben niet zomaar een slimme computer (een AI) gekozen. Ze hebben eerst een recept geschreven.

• De analogie: In plaats van de AI te laten gissen wat er in het verhaal staat, hebben ze een heel strikt legobord ontworpen. Dit bord heeft gaten voor specifieke onderdelen: "Hier komt de grootte van de tumor", "Hier komt het aantal lymfeklieren".
• Ze hebben dit recept gebaseerd op de wereldwijde regels voor kankerregistratie (de CAP-protocollen). Dit zorgt ervoor dat de gegevens overal ter wereld op dezelfde manier worden opgeslagen, of het nu in Taiwan, Nederland of de VS gebeurt.

3. De Vertaler: Een Slimme, Lokale Robot

Voor het vertalen gebruiken ze een Large Language Model (LLM). Dit is een AI die heel goed is in taal.

• De privacy-beschermer: Veel AI-systemen sturen gegevens naar de cloud (naar grote servers elders). Dat is riskant voor medische privacy. Deze onderzoekers draaien hun AI lokaal op een gewone, krachtige computer in het ziekenhuis.
• De analogie: Het is alsof je een tolk in je eigen kamer hebt, in plaats van je geheime documenten naar een bureau in een ander land te sturen. Niemand anders ziet je gegevens.
• De snelheid: Ze hebben getest met verschillende AI-modellen. Ze ontdekten dat een model genaamd gpt-oss:20b de beste balans had. Het was snel genoeg om een verslag in 40 tot 70 seconden te vertalen, maar wel slim genoeg om bijna geen fouten te maken.

4. Wat Kan Het?

Het systeem is getest op bijna 900 medische verslagen van 10 verschillende soorten kanker (zoals borstkanker, longkanker, darmkanker).

• De resultaten: Het systeem haalde een nauwkeurigheid van 94,3%. Dat betekent dat het bijna perfect is in het halen van de juiste cijfers uit de tekst.
• Zelfs bij moeilijke dingen: Het kon zelfs complexe dingen goed doen, zoals het tellen van lymfeklieren of het bepalen of een operatierand "schone" was.
• Buitenproef: Ze hebben het ook getest op verslagen van een andere bron (TCGA, een grote Amerikaanse databank). Het systeem werkte daar ook uitstekend. Dit bewijst dat het niet alleen werkt voor één ziekenhuis, maar dat het echt "slim" is.

5. Waarom Is Dit Belangrijk?

Dit onderzoek is niet alleen over "een snellere computer". Het belangrijkste is de duurzaamheid.

• De analogie: AI-modellen veranderen snel. Vandaag is de slimste robot morgen misschien verouderd. Maar het recept (de structuur van de gegevens) dat de onderzoekers hebben gemaakt, blijft geldig.
• Als er in de toekomst een nog slimmere AI komt, hoeft men alleen maar de "motor" (de AI) te vervangen. Het "chassis" (de data-structuur) blijft hetzelfde. Hierdoor kunnen ziekenhuizen hun gegevens jarenlang veilig en bruikbaar houden.

Samenvattend

Deze "Digitale Registrant" is als een super-efficiënte tolk die medische verhalen omzet in een taal die computers begrijpen. Het doet dit:

1. Snel: Binnen een minuut per verslag.
2. Veilig: Alles blijft binnen de muren van het ziekenhuis.
3. Betrouwbaar: Het maakt bijna geen fouten.
4. Toekomstbestendig: Het werkt met elke nieuwe AI die er komt.

Dit helpt artsen om sneller te zien welke behandelingen werken, helpt bij het vinden van patiënten voor nieuwe studies, en zorgt ervoor dat de waardevolle informatie uit medische verslagen niet verloren gaat in een zee van tekst.

Technische samenvatting

Probleemstelling

Chirurgische pathologierapporten bevatten de meest gedetailleerde diagnostische gegevens voor kanker (stadium, marges, lymfeklieren, biomarkers). Echter, deze data worden voornamelijk vastgelegd als ongestructureerde vrije tekst. Dit creëert een "translatiekloof" die geautomatiseerde registratie en secundaire data-analyse belemmert.

• Huidige uitdagingen: Bestaande oplossingen vereisen vaak handmatige invoer of vereenvoudiging van data, wat waardevolle details verloren doet gaan.
• Beperkingen van huidige AI: Veel onderzoek richt zich op de prestaties van specifieke Large Language Models (LLM's) voor smalle extractietaken. Deze modellen evolueren snel, waardoor implementaties verouderen. Bovendien ontbreekt vaak een duurzame, gestandaardiseerde laag die de klinische logica en semantiek (zoals geneste relaties en variabele lengte-structuren) behoudt, wat interoperabiliteit tussen instellingen bemoeilijkt.

Methodologie

De auteurs hebben Digital Registrar ontwikkeld, een raamwerk dat de nadruk legt op een "schema-first" benadering in plaats van op het trainen van specifieke modellen.

1. Klinische Ontologie en Schema:

   • Er is een klinische ontologie ontwikkeld die is afgestemd op de protocollen van het College of American Pathologists (CAP).
   • Dit is geïmplementeerd als een strikt getypeerde, hiërarchische JSON-schema die 193 registratievelden dekt voor 10 hoofdsoorten kanker (bijv. borst, long, prostaat).
   • Het schema ondersteunt complexe structuren zoals lymfekliergroepen en chirurgische marges.

2. DSPy-pipeline en Model-onafhankelijkheid:

   • Het extractieproces is gebouwd met het DSPy-framework (versie 2.1).
   • De logica is gekoppeld aan signatures (DSPy.Signature) die klinische instructies en schema-beperkingen coderen.
   • Model-agnostisch ontwerp: De pipeline is zo ontworpen dat de LLM fungeert als een uitwisselbare inferentie-engine. Er is geen fine-tuning of few-shot prompting gebruikt; elk rapport wordt in één doorloop verwerkt.

3. Hardware en Privacy:

   • Het systeem is ontworpen voor lokale, privacy-bevorderende implementatie ("on-premise") op standaard medische werkstations.
   • Tests zijn uitgevoerd op een enkele NVIDIA RTX A6000 GPU (48 GB VRAM) om te garanderen dat het zonder dure datacenter-infrastructuur werkt.
   • Drie open-weight modellen werden vergeleken: gpt-oss:20b, qwen3-30b-A3B (MoE) en gemma3:27b (Dense).

4. Data en Validatie:

   • Interne dataset: 893 gedepersonaliseerde pathologierapporten (2023-2024) van het China Medical University Hospital, inclusief 694 gevalideerde kankerexcisierapporten.
   • Externe validatie: 150 rapporten uit de TCGA-database (The Cancer Genome Atlas) voor cross-institutionele robuustheid.
   • Gouden standaard: Een semi-geautomatiseerd proces waarbij twee erkende pathologen de LLM-outputs handmatig corrigeerden en tot consensus kwamen.

Belangrijkste Bijdragen

• Schema-First Architectuur: De primaire bijdrage is niet het model zelf, maar de gestructureerde abstractielaag. Deze scheidt de klinische logica van de inferentie-engine, waardoor het systeem toekomstbestendig is tegen veranderingen in AI-modellen.
• Privacy-bevarend: Het systeem draait lokaal op werkstations, wat betekent dat patiëntgegevens (PHI) de instelling niet verlaten.
• Model-onafhankelijkheid: Het bewijs dat dezelfde pipeline met verschillende LLM-architecturen kan werken, biedt flexibiliteit voor zorginstellingen.
• Omvang: Dekking van 10 kankersoorten en complexe, variabele datastructuren die vaak worden genegeerd in eerdere studies.

Resultaten

De prestaties werden gemeten aan de hand van exacte string-overeenkomsten (exact-match) tegenover de expert-gold standard.

• Modelvergelijking:

  • gpt-oss:20b bleek de optimale keuze: hoogste nauwkeurigheid (94,3%) en snelste verwerkingstijd (40–70 seconden per complex rapport).
  • qwen3-30b-A3B was trager (140–200+ sec) door overhead bij het routeren van experts (MoE), ondanks een lager actief parameteraantal.
  • gemma3:27b had een lagere nauwkeurigheid (89,8%) en lagere snelheid dan gpt-oss:20b.

• Extraction Accuracy:

  • Interne validatie: Gemiddelde exact-match nauwkeurigheid van 94,3% over alle 193 velden.
  • Externe validatie (TCGA): De nauwkeurigheid bleef hoog op 92,4%, wat aantoont dat het model generaliseert naar andere instellingen zonder specifieke aanpassing.
  • Kritieke velden:
    • Borstkanker biomarkers (ER, PR, HER2, Ki-67): Bijna perfecte nauwkeurigheid.
    • Chirurgische marges: 91,2% gemiddelde nauwkeurigheid voor positiviteit.
    • Lymfeklieren: >80% concordantie voor totale tellingen.

• Triage en Classificatie:

  • Het systeem onderscheidde met hoge sensitiviteit (alleen 1 vals-negatief) tussen kankerexcisies en biopsies/goedaardige gevallen.
  • Organ-classificatie had een macro-averaged F1-score van 0,955.

Betekenis en Conclusie

Het artikel toont aan dat het combineren van een klinisch gestuurde ontologie met schema-gebonden LLM-extractie een praktische route biedt om ongestructureerde pathologierapporten om te zetten in machine-leesbare, interoperabele data.

• Duurzaamheid: De ontologie is de duurzame wetenschappelijke bijdrage; deze overleeft de snelle evolutie van AI-modellen.
• Toepasbaarheid: Het systeem maakt privacy-bevarende, lokale datahergebruik mogelijk, wat essentieel is voor kankerregistratie en toekomstige multimodale klinische systemen.
• Toekomstperspectief: De auteurs zien een toekomst waarin dit raamwerk wordt uitgebreid naar multimodale systemen die tekst combineren met genomics en digitale pathologie-afbeeldingen voor geïntegreerde diagnostiek.

Kortom, Digital Registrar biedt een robuuste, schaalbare en privacy-vriendelijke oplossing voor het overbruggen van de kloof tussen narratieve pathologierapporten en gestructureerde kankerregistratie.