大型语言模型赋能的调强放疗剂量体积直方图预测
人工智能
2024-02-13 v1
摘要
治疗计划目前在放射治疗中是一项针对特定患者、耗时且资源密集的任务。剂量体积直方图（DVH）预测在自动化这一过程中起着关键作用。放疗计划中的DVH与危及器官（OAR）和计划靶区（PTV）之间的几何关系已得到充分确立。本研究探索了深度学习模型利用图像预测DVH的潜力，以及随后由大型语言模型（LLM）促进的人类干预以提升计划质量。我们提出了一种将非结构化图像转换为由图像块节点和剂量节点组成的结构化图的流程。开发了一种新颖的剂量图神经网络（DoseGNN）模型，用于从结构化图中预测DVH。所提出的DoseGNN通过LLM得到增强，以编码来自处方的大量知识和临床医生的交互指令。在本研究中，我们引入了一个在线人机协作（OHAC）系统，作为所提出的调强放疗（IMRT）计划自动化概念的实际实现。与放疗中广泛使用的深度学习模型相比，DoseGNN实现的均方误差分别是Swin U-Net Transformer、3D U-Net CNN和普通MLP预测结果的80%、76%和41.0%。此外，LLM赋能的DoseGNN模型有助于通过使用自然语言与临床医生互动，实现对治疗计划的无缝调整。
引用
@article{arxiv.2402.07167,
title = {Large-Language-Model Empowered Dose Volume Histogram Prediction for Intensity Modulated Radiotherapy},
author = {Zehao Dong and Yixin Chen and Hiram Gay and Yao Hao and Geoffrey D. Hugo and Pamela Samson and Tianyu Zhao},
journal= {arXiv preprint arXiv:2402.07167},
year = {2024}
}