用大型语言模型代理实现放射治疗计划自动化的可行性研究
Qingxin Wang1,2,3, Zhongqiu Wang1, Minghua Li4
1Department of Radiation Oncology, Tianjin Medical University Cancer Institute & Hospital, National Clinical Research Center for Cancer, Tianjin's Clinical Research Center for Cancer, Key Laboratory of Cancer Prevention and Therapy, Tianjin 300060, People's Republic of China.
Physics in medicine and biology
|March 12, 2025
概括
使用大型语言模型的AI系统GPT-Plan自动化了放射治疗计划. 它实现了对肺癌和宫癌的高质量计划,提高了效率,节省了处于危险的器官.
科学领域:
- 医学物理 医学物理
- 医疗保健中的人工智能
- 放射治疗规划 放射治疗规划
背景情况:
- 放射治疗规划需要专业知识,以平衡瘤控制和危险器官 (OAR) 节省.
- 自动化计划系统旨在提高放射治疗的效率和质量.
- 大型语言模型 (LLM) 为医学中复杂的决策任务提供了潜力.
研究的目的:
- 引入GPT-Plan,这是一个使用GPT-4LLM进行自动,代放射治疗计划优化的新型多剂体系统.
- 对肺癌和宫癌病例的现有自动规划方法和手动计划进行评估,评估GPT-Plan的性能.
- 评估历史计划检索对自动化规划流程效率的影响.
主要方法:
- 开发了一个多代理系统 (GPT-Plan),代理模仿临床工作流程 (剂量计师,物理学家) 来生成和评估基于文本的计划.
- 整合了支持工具,用于历史计划检索,幻觉缓解和平衡勘探/开发.
- 在12例肺癌 (IMRT) 和5例宫癌 (VMAT) 病例中,对ECHO自动规划方法和手动计划的性能进行了基准评估.
主要成果:
- 与ECHO相比,GPT-Plan在肺部IMRT病例中产生了更高的目标覆盖率和同质性,具有可比的OAR节省.
- 对于宫VMAT病例,GPT-Plan的计划质量与高级物理学家相匹配,超过初级物理学家,特别是在OAR节省方面.
- 历史计划检索显著减少了肺部病例的代 (p < 0.01),并且在宫病例中产生了可比的结果 (p = 0.313).
结论:
- 这项研究表明,使用LLM驱动的代理来自动化复杂的放射治疗规划决策的可行性.
- 在改善放射治疗计划的质量和效率方面,GPT-Plan显示出前景,特别是在OAR节省方面.
- 在LLMs和自我反射机制的持续进步对于克服基于视觉的不准确性和完善自动化规划系统等局限性至关重要.
