شاركت CaresAI في المهمة المشتركة SMM4H-HeaRD 2026 من خلال توقع تسميات مرحلة الورم والعقدة والانتقال (TNM) بشكل مستقل من تقارير علم أمراض مستودع الجينوم السرطاني (TCGA). صاغت الدراسة المشكلة كثلاث مهام تصنيف متعدد التسميات، واستكشفت نهج التعلم الكلاسيكي والتعلم العميق باستخدام ميزات TF-IDF والتضمينات من ClinicalBERT وBioBERT وPubMedBERT.
- حققت WRN درجات AUROC تبلغ 0.839 (T) و0.8502 (N) و0.803 (M) مع درجات F1 تبلغ 0.622 و0.702 و0.9337 على التوالي أثناء التدريب.
- حقق LightGBM مع TF-IDF أفضل أداء في مرحلة التدريب بدرجات AUROC تبلغ 0.9368 (T) و0.9524 (N) و0.8311 (M).
- أظهرت نتائج مجموعة الاختبار 1 درجات Macro-F1 تبلغ 0.978 و0.957 و0.879 لفئات T وN وM.
- انخفض الأداء على مجموعة الاختبار 2، مع انخفاض في درجة Macro-F1 من 0.938 إلى 0.858 عبر جميع المراحل.
يلاحظ المؤلفون أن انخفاض الأداء يشير إلى قيود تعميم النموذج، وحساسيته لعدم توازن الفئات، وتحديات معالجة المستندات السريرية الطويلة، مما يشير إلى الحاجة إلى مزيد من التحسين قبل الاستخدام السريري.