通过利用放射学报告使用大型语言模型来提高基于深度学习的头部和部目标自动细分的精度
Libing Zhu1, Jean-Claude M Rwigema1, Xue Feng2
1Department of Radiation Oncology, Mayo Clinic, Phoenix, AZ 85058, USA.
Cancers
|June 26, 2025
概括
这项研究开发了一种用于头癌的深度学习自分区模型,通过使用临床报告消除假阳性来提高瘤划分的准确性.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 辐射治疗计划 辐射治疗计划
背景情况:
- 准确划分原发性瘤 (GTVp) 和转移性淋巴结 (GTVn) 对于头癌 (HN) 辐射治疗至关重要.
- 目前的细分方法具有挑战性和耗时,需要改进自动化方法.
研究的目的:
- 开发和验证基于深度学习的自动细分 (DLAS) 模型,用于HN癌症中的GTVp和GTVn.
- 通过使用临床诊断报告和大型语言模型实施虚假阳性排除策略.
主要方法:
- 在一个大型的多机构数据集 (882个案例) 上训练了一个DLAS模型.
- 临床诊断报告与ChatGPT-4和Llama-3一起用于识别和排除假阳性细分.
- 使用子相似系数 (DSC),豪斯多夫距离 (HD95) 和精度来评估性能.
主要成果:
- 与Llama-3相比,ChatGPT-4在从报告中提取瘤位置方面表现出卓越的性能.
- 在15/44个案例中发现了假阳性,其消除使GTVp和GTVn的平均DSC提高到0.75.
- 对于GTVn的平均HD95显著下降,从18.81毫米降至5.2毫米.
结论:
- 使用诊断报告排除假阳性显著提高了DLAS对HN癌症细分的精度.
- 精细的DLAS模型准确地识别瘤位置并检测假负误差,提高治疗规划效率.
