通过LMMs进行端到端的乳腺癌放射治疗规划,以整合嵌入一致性

科学领域:

• 人工智能在医学中的应用
• 辐射瘤学 创新 辐射瘤学
• 临床工作流的优化 临床工作流优化

背景情况:

• 人工智能基础模型有可能减少临床工作量.
• 在放射性瘤学中,整合多种数据模式至关重要.
• 大型多式模式 (LMM) 为专业医疗领域提供了机会.

研究的目的:

• 引入RO-LMM,一个全面的辐射瘤学LMM.
• 用LMMs来执行连续的临床任务所面临的挑战.
• 提高临床应用中的LMM稳定性和一致性.

主要方法:

• 开发RO-LMM,用于辐射瘤学任务的多用途LMM.
• 引入整合性嵌入微调 (CEFTune) 以提高LMM的稳定性.
• 将CEFTune扩展到Consistency Embedding Segmentation (CESEG),用于以LMM为驱动的细分.

主要成果:

• RO-LMM有效地处理临床背景总结,放射治疗策略建议和计划导向目标体积细分.
• CEFTune 增强了 LMM 对噪声输入的稳定性,同时保持一致性.
• 在LMM驱动的细分任务中,CESEG表现出有前途的表现.
• 多中心验证证实了RO-LMM与CEFTune和CESEG的通用化能力.

结论:

• 通过CEFTune和CESEG增强的RO-LMM显示了推进放射瘤学工作流程的巨大潜力.
• 提出的技术提高了LMM在复杂的临床环境中的可靠性和适用性.
• 这种人工智能驱动的方法有望减轻临床工作量,并通过精确的任务管理来改善患者护理.