使用大型语言模型对宫癌自动放射治疗治疗计划的可行性研究

科学领域:

• 医学物理 医学物理
• 医疗保健中的人工智能
• 辐射疗法优化的优化

背景情况:

• 传统的放射治疗治疗计划是复杂和耗时的.
• 人工智能 (AI),特别是大型语言模型 (LLM),为自动化和改进这一过程提供了潜力.

研究的目的:

• 评估LLM能够生成与人类医学物理学家创建的放射治疗计划相似的辐射治疗计划的能力.
• 评估LLM生成的目标体积合规性和风险器官 (OAR) 剂量节省计划.
• 使用LLMs. 实现放射治疗治疗计划优化过程的自动化.

主要方法:

• 用多个LLM来调整放射治疗治疗计划的优化参数.
• 使用了35名用体积调节弧线疗法 (VMAT) 治疗的宫癌患者的数据集.
• 根据5名患者的定制提示来定制LLM,并对30名患者进行测试,将生成的计划与手动计划进行比较,使用符合性指数和OARs剂量节约等指标.

主要成果:

• Qwen-2.5-max和Llama-3.2生成了可接受的VMAT计划,比人类物理学家要快得多 (大约1. 10-16分钟,而不是20分钟).
• 通过LLM生成的计划显示了与手动计划相比的目标体积一致性和OARs剂量节省,Qwen-2.5-max和Llama-3.2.2.之间没有显著差异.
• 虽然LLM和手动计划之间的目标体积一致性有显著差异,但OAR的剂量节约仍然可比.

结论:

• 在优化放射治疗治疗计划方面,LLM证明了其可行性,为手动计划提供可比的OARs节省剂量.
• 使用LLM显示了提高临床工作流程和减少放射治疗治疗规划工作负载的潜力.
• 进一步的研究可以探索先进的LLM应用程序,以改进计划质量和效率.