相关实验视频
Updated: Aug 3, 2026
10:35
Stereotactic Radiosurgery for Gynecologic Cancer
Published on: April 17, 2012
18.7K
在宫癌的高剂量速率支臂疗法中,用大语言模型增强自身轮
Jing Wang1, Jiahan Zhang1, Kaida Yang1
1Department of Radiation Oncology, Icahn School of Medicine at Mount Sinai, New York, New York, USA.
Medical physics
|September 23, 2025
概括
这项研究引入了使用大型语言模型的深度学习框架,以改善宫癌支臂疗法细分,提高风险器官的准确性和治疗规划的一致性.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 放射治疗 物理 物理
背景情况:
- 高剂量率支臂治疗 (HDR-BT) 对于宫癌 (CC) 治疗至关重要.
- 准确地界定目标体积和有风险的器官 (OAR) 对于剂量递送和毒性降低至关重要.
- 手动轮的观察者之间的和观察者内部的变化挑战了HDR-BT规划的一致性.
研究的目的:
- 为HDR-BT开发一个新的深度学习 (DL) 自动细分框架.
- 利用大型语言模型 (LLM) 来生成特定任务的提示以指导细分.
- 提高CC处理规划中的细分精度和效率.
主要方法:
- 使用了32名CC患者 (124个PCT图像) 的回顾性数据集.
- LLM (ChatGPT) 从临床指南中提取知识,为Swin变压器/FCN模型创建提示.
- 对HR-CTV和OAR (膀,直肠,西格) 的细分性能使用DSC,HD95%,MSD和CMD进行了评估.
主要成果:
- 该框架实现了膀 (DSC 0.91),HR-CTV (DSC 0.80) 和直肠 (DSC 0.78) 的高细分精度.
- 由于其复杂的形状,西格体细分表现出较低的准确性 (DSC 0.63) .
- 快速指导显著改善了OAR细分 (p < 0.05),但没有改善HR-CTV划分.
结论:
- 将LLM生成的提示与DL细分集成为CC中的HDR-BT是可行的和有效的.
- 该框架提高了细分的一致性,支持更准确的治疗规划.
- 这种方法解决了HDR-BT工作流程中的关键挑战,提高了临床适用性.
