大型语言模型和视觉深度学习模型对预测用新辅助化学辐射治疗的直肠癌的新辅助直肠得分的影响
Hyun Bin Kim1, Hong Qi Tan2,3,4, Wen Long Nei2,3
1College of Computing and Data Science, Nanyang Technological University, Singapore, Singapore.
BMC medical imaging
|July 31, 2025
概括
大型语言模型在预测化学辐射后局部晚期直肠癌 (LARC) 的新辅助直肠 (NAR) 评分方面表现有希望. 使用CT扫描的计算机视觉模型比分析MRI报告的LLMs效率低.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 局部晚期直肠癌 (LARC) 需要有效的治疗监测.
- 新辅助剂直肠 (NAR) 评分是LARC对新辅助剂化学辐射 (NACRT) 反应的验证代用终点.
- 准确预测NAR得分有助于治疗分层和结果评估.
研究的目的:
- 探索深度学习方法,包括大型语言模型 (LLM) 和计算机视觉 (CV) 模型,用于预测LARC患者的NAR得分.
- 为了比较LLMs和CV模型的预测性能,使用NACRT前后的CT和MRI数据.
- 评估AI在改善治疗反应预测方面的潜力,与传统临床方法相比.
主要方法:
- 使用了160张CT扫描和相关的放射学报告 (CT和MRI,NACRT前后).
- 应用了两个卷积神经网络 (CNN) 方法来进行3DCT扫描分析 (全扫描与切片).
- 采用基于编码器的LLM来分析放射学报告.
主要成果:
- 使用CT扫描的CV模型实现了曲线下面积 (AUC) 值的[公式:见文本]和[公式:见文本].
- 在NACRT后的MRI报告上接受培训的LLM证明了最高的预测潜力,AUC为[公式:参见文本].
- 在LLM方法显示了比基线临床方法的统计显著改善 (p=0.03),增加AUC从[公式:见文本]到[公式:见文本].
结论:
- 深度学习,特别是LLM分析MRI报告,显示出预测NAR分数的巨大潜力.
- 基于CT的CV模型在准确预测NAR值方面存在局限性.
- 人工智能驱动的放射学报告分析为提高LARC治疗反应预测提供了一个有希望的途径.
