大型语言模型增强的治疗目标体积的自动延期在放射治疗中
Praveenbalaji Rajendran1, Yong Yang2, Thomas R Niedermayr2
1Stanford University, Stanford, CA 94305 USA. He is now with the Massachusetts General Hospital and Harvard Medical, School, Boston, MA 02114 USA.
ArXiv
|July 23, 2024
概括
人工智能模型Radformer使用视觉和语言数据准确地划定了放射治疗 (RT) 目标体积. 这种自动化方法改进了手工方法,为增强癌症治疗计划提供了潜力.
科学领域:
- 医学物理 医学物理
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 准确的目标划分对于有效的放射治疗 (RT) 癌症治疗至关重要.
- 手动划分是耗时的,劳动密集的,容易引起观察者之间的变化.
- 现有的AI方法在精确的RT目标体积自动划分方面扎.
研究的目的:
- 介绍Radformer,一种用于自动RT目标体积划分的新型视觉语言模型.
- 为了利用层次视觉转换器和大型语言模型来增强功能提取.
- 为了提高RT目标细分的准确性和效率.
主要方法:
- 开发了Radformer,这是一个集成层次视觉转换器骨干的网络.
- 整合了大型语言模型,从临床数据中提取语言特征.
- 引入了一个视觉语言注意模块 (VLAM),用于语言意识的视觉编码 (LAVE).
- 在2985名头癌患者的数据集上进行了评估,这些患者接受了RT.
主要成果:
- 与最先进的模型相比,Radformer表现出优越的细分性能.
- 使用子相似系数 (DSC),跨欧盟交叉点 (IOU) 和豪斯多夫距离 (HD95) 的定量评估证实了有效性.
- 该模型在界定RT目标量方面取得了高准确性.
结论:
- Radformer显示了改善RT目标体积自动划分的显著潜力.
- 视觉和语言特征的整合提高了细分的准确性.
- 这种人工智能驱动的方法可以简化RT规划并改善患者的治疗结果.
