LLM增强的可干预多模态适配器用于肺癌手术术后并发症预测
计算机视觉与模式识别
2026-01-21 v1 人工智能
摘要
术后并发症在临床实践中仍然是一个关键问题，对患者预后产生不利影响，并导致医疗成本上升。我们提出了MIRACLE，一种深度学习架构，通过整合术前临床和放射学数据来预测肺癌手术术后并发症的风险。MIRACLE采用超球面嵌入空间融合异构输入，能够从结构化临床记录和高维放射学图像中提取稳健、判别性的特征。为了提高预测的透明度和临床实用性，我们在MIRACLE中引入了一个干预式深度学习模块，该模块不仅优化预测，还提供可解释且可操作的见解，使领域专家能够基于临床专业知识交互式调整建议。我们在POC-L（一个包含3,094名在罗斯威尔公园综合癌症中心接受手术的肺癌患者的真实世界数据集）上验证了我们的方法。结果表明，MIRACLE在个性化和可解释的术后风险管理方面优于各种传统机器学习模型以及单独的当代大语言模型（LLM）变体。
引用
@article{arxiv.2601.14154,
title = {LLM Augmented Intervenable Multimodal Adaptor for Post-operative Complication Prediction in Lung Cancer Surgery},
author = {Shubham Pandey and Bhavin Jawade and Srirangaraj Setlur and Venu Govindaraju and Kenneth Seastedt},
journal= {arXiv preprint arXiv:2601.14154},
year = {2026}
}
备注
Accepted to P2P-CV @ WACV 2026