在辐射瘤学中使用LLM驱动的多式多态目标体积轮
Yujin Oh1, Sangjoon Park2,3, Hwa Kyung Byun4
1Department of Radiology, Massachusetts General Hospital (MGH) and Harvard Medical School, Boston, MA, USA.
Nature communications
|October 25, 2024
概括
一个新的AI模型LLMSeg使用大型语言模型 (LLM) 通过整合图像和文本数据来改进放射治疗目标体积划分. 这种多模式的方法提高了癌症治疗规划的准确性和效率.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 辐射瘤学 辐射瘤学
背景情况:
- 辐射治疗中的目标体积轮是复杂的,需要整合成像和临床文本数据.
- 当前的人工智能模型经常与多式联运数据集成作斗争,以精确地划分目标.
研究的目的:
- 引入LLMSeg,一个LLM驱动的多式人工智能,用于辐射瘤学中的3D上下文感知目标体积划分.
- 评估LLMSeg在诸如乳腺癌放射治疗,外部验证和数据不足环境等具有挑战性的场景中的表现.
主要方法:
- 开发了LLMSeg,一种多式人工智能,利用大型语言模型 (LLM) 融合图像和基于文本的临床信息.
- 在乳腺癌放射治疗中验证了LLMSeg,专注于外部验证和数据稀缺条件.
主要成果:
- 与传统的单模人工智能模型相比,LLMSeg表现显著提高了性能.
- 多式人工智能在验证研究中表现出强大的概括能力和数据效率.
结论:
- 在LLM驱动的多式人工智能为提高辐射瘤学中目标体积划分提供了一个有前途的方法.
- LLMSeg显示出实际临床应用的潜力,特别是在数据有限的环境中.
