用大型语言模型辅助的多模式学习对照疗法的治疗目标体积的自动划定
Praveenbalaji Rajendran1, Yizheng Chen1, Liang Qiu1
1Department of Radiation Oncology, Stanford University, Stanford, California.
概括
一个新的AI模型Medformer使用多式学习来改进放射治疗目标体积自动轮. 这种方法明显优于传统方法,使得在癌症治疗中更快,更准确的临床目标体积划分成为可能.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 辐射瘤学 辐射瘤学
- 医疗保健中的机器学习
背景情况:
- 人工智能 (AI) 在自动划分正常组织方面表现有前途,但在辐射治疗目标体积方面扎.
- 准确的目标体积自动轮对于有效的放射治疗计划至关重要.
研究的目的:
- 作为临床决策问题,模拟放射治疗目标体积划分.
- 为了利用大型语言模型辅助的多式联络学习来改进自动轮.
主要方法:
- 开发了Medformer,一种使用层次视觉转换器骨干的视觉语言模型.
- 集成的大型语言模型用于文本丰富的特征提取和多式模式学习.
- 在前列腺癌和口腔瘤数据集上使用子相似系数 (DSC),交界线 (IOU) 和豪斯多夫距离 (HD95) 评估性能.
主要成果:
- 在前列腺癌和口腔瘤癌数据集上,Medformer在总瘤体积划分方面表现优越,与传统方法相比.
- 在DSC,IOU和HD95指标中取得了显著的改善 (P <0.05).
- 展示了与临床目标体积划分的最先进算法相似的性能.
结论:
- 基于多模式学习的治疗目标自动划定超越了传统的仅视觉特征方法.
- 拟议的Medformer方法适用于例行临床实践,用于快速轮临床目标体积/总瘤体积.
