TrialGPT 2.0 论文提出 AI 辅助临床试验匹配并发布 NIH-TrialBench 基准
Towards AI-Assisted Clinical Trial Matching: Practical Considerations, Multicenter Evaluation, and Real-World Deployment
NIH 团队发布 TrialGPT 2.0，用于 AI 辅助临床试验匹配，并配套构建含 126 个患者病例场景、覆盖 11 个 NIH 中心的 NIH-TrialBench 基准。在 288 例回顾性多中心队列中，系统前 10 推荐约 91% 的病例命中临床医生推荐试验，临床医生筛查时间减少 55.0%；在六个月前瞻性肿瘤板评估中，将至少获得一条最终试验推荐的患者病例数提升 90.9%。
论文给出多中心回顾与前瞻数据，还开源了临床医生编写的基准，可帮助读者了解 AI 试验匹配在真实流程中的效果。
作者：Yin Fang、Qiao Jin、Shubo Tian、Lauren He、Maya Geer、Noor Naffakh、Ryan Huu-Tuan Nguyen、Zifeng Wang、Jimeng Sun、Charalampos S. Floudas、James L. Gulley、Kamilia Moalem、Catarina Martins Maia、Amanda Nottke、Juan W. Valle、Melinda Bachini、Lourdes Rocha-Nussbaum、Kari Ramage、Nikita Curry、Megan Barnes、Mandy Mansaray、Darlene Gabeau、Craig E. Grossman、Heath Skinner、Michael Burczynski、NIH-TrialBench Consortium、Zhiyong Lu
摘要：临床试验对循证医学和药物研发至关重要，但许多试验因患者入组不足而失败。尽管利用 AI 支持患者招募日益受到关注，现有系统大多仅执行资格评估，且很少在真实工作流程中得到评估。在此，我们提出 TrialGPT 2.0，一个针对负责任的真实世界部署而改进的 AI 辅助临床试验推荐系统。该系统不仅仅询问患者是否符合条件，而是评估在患者当前临床需求和本地工作流程优先级的背景下哪些试验值得进一步考虑，并为专家审查提供结构化、可检查的解释。重要的是，我们在政府研究机构、患者倡导组织、学术医学中心和社区放射肿瘤学机构中对 TrialGPT 2.0 进行了回顾性和前瞻性评估。在包含 288 个病例的回顾性多中心队列中，TrialGPT 2.0 在其前 10 条推荐中为约 91% 的病例检索出至少一项临床医生推荐的试验，同时将临床医生筛选时间减少了 55.0%。在一项嵌入活跃精准肿瘤学肿瘤病例讨论会的为期六个月的前瞻性评估中，TrialGPT 2.0 提供了常规工作流程遗漏的额外试验机会，使拥有至少一项最终试验推荐的患者病例数量增加了 90.9%。为支持科学可复现性，我们还开发了 NIH-TrialBench，这是一个由临床医生编写的基准，包含 126 个多样化的合成患者案例以及来自 11 个 NIH 研究所和中心的匹配场景。这些发现共同支持了 AI 通过提高临床医生效率和识别常被忽视的试验机会来辅助临床试验匹配的价值，最终帮助扩大和加速癌症试验的入组。
| 评论： | 43 页，12 幅图 |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI）；计算与社会（cs.CY） |
| 引用为： | arXiv:2609.01202 [cs.CL] |
| （本版本的 arXiv:2609.01202v2 [cs.CL]） | |
| https://doi.org/10.48550/arXiv.2609.01202 通过 DataCite 提供的 arXiv 发布 DOI |
提交历史
来自：Yin Fang [查看邮件]
[v1]
2026 年 9 月 1 日星期二 13:11:02 UTC（22,625 KB）
[v2]
2026 年 10 月 28 日星期三 19:46:44 UTC（23,275 KB）
来源：arXiv cs.AI · arxiv.org