基于人类AI的Auto-Field-in-Field全脑放射治疗治疗计划与对话的大型语言模型反

科学领域:

• 医学物理 医学物理
• 辐射瘤学中的人工智能

背景情况:

• 全脑放射疗法 (WBRT) 是一种标准治疗方法,但其规划需要人工优化.
• 治疗规划系统中的自动化现场实地 (Auto-FiF) 工具仍然需要针对患者进行特定的调整和基于反的改进.

研究的目的:

• 开发一个自动化的WBRT规划管道,整合深度学习 (DL) 和大语言模型 (LLM).
• 为了实现患者特定的超参数预测和交互式计划改进,以提高效率和质量.

主要方法:

• 一个DL超参数预测模型在55个WBRT情况下使用CTV和OAR几何特征进行了训练.
• 基于LLM的对话界面 (Whisper,GPT-4o) 用于基于语音反的交互式计划改进.
• 在15个独立案例中,使用临床指标和专家评价来评估计划质量.

主要成果:

• 在15个DL生成计划中,有14个计划在临床上是可以接受的,与手动计划相比,OAR或CTV剂量指标没有显著差异.
• 自动化管道在大约7分钟内实现了整个工作流程的执行,这与手动规划 (15分钟) 相比大幅减少.
• 交谈模块有效地提高了剂量合规性,并减少了次优计划中的热点.

结论:

• 集成的DL和LLM管道为WBRT规划提供了高效和有效的自动化解决方案.
• 这种方法可以保持或提高计划质量,同时显著减少计划时间和临床医生的工作量.
• 该系统显示了在放射治疗规划工作流程中更广泛采用的潜力.