强度调节放射治疗的3D剂量预测大语言模型授权

科学领域:

• 医学成像医学成像
• 辐射疗法 辐射疗法
• 人工智能的人工智能

背景情况:

• 放射治疗治疗计划是复杂的,耗时的,资源密集的.
• 准确的剂量体积图谱 (DVH) 预测对于自动化放射治疗计划至关重要.
• 深度学习模型显示出从医疗图像中预测DVH的潜力.

研究的目的:

• 开发和评估一种深度学习模型,用于从医学图像中预测DVH.
• 整合一个大语言模型 (LLM) 以提高DVH预测和临床医生互动.
• 实施在线人 - 人工智能协作系统,用于自动化强度调制放射治疗 (IMRT) 规划.

主要方法:

• 开发了一个管道,将非结构化图像转换为结构化图形,其中包含图像补丁和剂量节点.
• 创建了一个新的剂量图神经网络 (DoseGNN) 模型,用于从结构图中预测DVH.
• 通过LLM增强了DoseGNN模型,以整合临床知识和交互式指令.

主要成果:

• 与Swin变压器,3D U-Net CNN和MLP模型相比,DoseGNN在DVH预测中表现出更高的准确性.
• 对于规划目标量 (PTV),DoseGNN实现的绝对平均误差 (MAE) 比基线模型要低得多.
• 对于有风险的器官 (OAR),DoseGNN也显示了与最佳基线模型相比,MAE的显著减少.
• 通过与临床医生的自然语言互动,LLM集成使治疗计划的无调整成为可能.

结论:

• DoseGNN是一种新的深度学习模型,用于从医学图像中预测辐射剂量.
• 通过LLM增强的DoseGNN促进了临床医生的治疗计划调整的互动.
• 初步结果表明,DoseGNN有可能通过在线临床医生-AI合作,准确地预测DVH,并简化自动化治疗计划.