LRMR：一种基于 LLM 的关系化多节点排序框架，用于直肠癌淋巴结转移评估
机器学习
2025-07-16 v1 图像与视频处理
摘要
准确的术前评估直肠癌的淋巴结（LN）转移对于治疗决策至关重要，但基于形态学标准的常规 MRI 评估显示出受限的诊断性能。虽然已开发出一些人工智能模型，但它们通常作为黑盒子运行，缺乏临床信任所需的可解释性。此外，这些模型通常仅对单个节点进行评估，忽略了患者层面的上下文。为此，我们提出了 LRMR（LLM-Driven Relational Multi-node Ranking），一种 LLM 驱动的关系化多节点排序框架。该方法将诊断任务从直接分类问题重新框架为结构化推理和排序过程。LRMR 框架包含两个阶段。首先，多模态大语言模型（LLM）分析来自单个患者所有 LN 的合成图像，生成详细报告，描述十个不同的放射学特征。其次，基于这些报告中不良特征的严重程度和数量，文本基 LLM 在不同患者之间进行成对比较，建立相对风险排序。我们在 117 例直肠癌患者的回顾性队列上对方法进行了评估。LRMR 实现了曲线下面积（AUC）为 0.7917 和 F1 分数为 0.7200，优于包括 ResNet50 在内的一系列深度学习基线，其中 ResNet50 的 AUC 为 0.7708。消融研究确认了我们两个主要贡献的价值：移除关系化排序阶段或结构化提示阶段均导致性能显著下降，AUC 分别下降到 0.6875 和 0.6458。我们的工作表明，通过两个阶段的 LLM 框架将视觉感知与认知推理解耦，为直肠癌淋巴结转移评估提供了一种强大、可解释且有效的新范例。
引用
@article{arxiv.2507.11457,
title = {LRMR: LLM-Driven Relational Multi-node Ranking for Lymph Node Metastasis Assessment in Rectal Cancer},
author = {Yaoxian Dong and Yifan Gao and Haoyue Li and Yanfen Cui and Xin Gao},
journal= {arXiv preprint arXiv:2507.11457},
year = {2025}
}