LRMR: 面向直肠癌淋巴结转移评估的 LLM 驱动的关系多节点排序

准确的术前评估直肠癌淋巴结( LN)转移可指导治疗决策,但基于形态学标准的常规MRI评估显示诊断性能有限。虽然已有一些人工智能模型开发,但它们常常是黑箱,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淋巴结进行评估,忽略了患者层面的上下文。为此,我们提出LRMR框架,一种 LLM 驱动的关系多节点排序方法。该方法将诊断任务从直接分类问题重新表述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)分析患者所有淋巴结的合成拼贴图像,生成详细报告,其中包含十种不同的放射学特征。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评估了该方法。LRMR 的ROC曲线下面积(AUC)为0.7917,F1得分为0.7200,优于多种深度学习基线模型,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:移除关系排序阶段或结构化提示阶段后,AUC分别下降到0.6875和0.6458。我们的工作表明,通过两阶段 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式。