ALMo：面向子宫癌个体化高剂量速射腫瘤治疗规划的交互式 Aim-Limit-定义、多目标系统及可视化
机器学习
2026-02-17 v1 人工智能
摘要
在复杂的临床决策中，医生必须追踪各种由aim（理想）和limit（严格）阈值定义的竞争指标。通过这些高维权衡筛选以推断最佳患者专属策略在认知上具有挑战性，历史上容易出现变异性。在本文中，我们在针对子宫癌的高剂量速射腫瘤（HDR）治疗中解决了这一挑战，其中规划需要严格管理辐射热点，同时平衡肿瘤覆盖与器官保护。我们提出 ALMo（Aim-Limit-defined Multi-Objective system），一个用于推断和操作化医生意图的交互式决策支持系统。ALMo 采用一种新型优化框架，最小化手动输入，实现自动参数设置，并支持灵活控制毒性风险。关键的是，系统允许医生通过直接操控直观的aim和limit值来导航剂量学权衡的帕累托表面。在对25个临床病例进行回顾性评估后，ALMo 生成的治疗计划在质量上一致达到或超越手动规划，65%的病例显示出剂量学改进。此外，系统显著提升了效率，将平均规划时间缩短至约17分钟，较常规的30-60分钟明显缩短。虽然在腫瘤学中得到验证，ALMo 仍展示了一个用于简化多准则临床决策中交互的通用框架。
引用
@article{arxiv.2602.13666,
title = {ALMo: Interactive Aim-Limit-Defined, Multi-Objective System for Personalized High-Dose-Rate Brachytherapy Treatment Planning and Visualization for Cervical Cancer},
author = {Edward Chen and Natalie Dullerud and Pang Wei Koh and Thomas Niedermayr and Elizabeth Kidd and Sanmi Koyejo and Carlos Guestrin},
journal= {arXiv preprint arXiv:2602.13666},
year = {2026}
}
备注
Abstract accepted at Symposium on Artificial Intelligence in Learning Health Systems (SAIL) 2025