利用基于编码器-解码器架构的多智能体强化学习识别恶性脑肿瘤 (GBM) 患者最佳切除位置
人工智能
2025-12-09 v1 计算机视觉与模式识别
图像与视频处理
摘要
目前，医学领域缺乏足够的人工智能来支持治疗如恶性脑肿瘤 (GBM) 这类最致命的人类癌症的治疗——其五年生存率仅为 5.1%。本项目开发了一个人工智能系统，提供唯一的端到端解决方案，通过辅助医生进行诊断和治疗规划。在诊断阶段，使用由 4 个分类模型（卷积神经网络和支持向量机）构成的序列决策框架。每个模型逐步将患者大脑划分为日益具体的类别，最终步骤命名为诊断。在治疗规划方面，使用由 3 个生成模型构成的强化学习系统。首先，切除模型（扩散模型）分析已诊断的 GBM MRI 并预测可能的切除结果。其次，放疗模型（时空视觉变换器）生成大脑经过用户指定周数后的进展 MRI。第三，化疗模型（扩散模型）产生术后 MRI。然后，一个生存率计算器（卷积神经网络）检查生成的术后 MRI 是否在用户定义的目标生存率范围内的 15% 内。如果不在，则使用近端策略优化进行反馈循环，迭代该系统直至识别出最佳切除位置。与现有解决方案相比，本项目发现了 3 项关键发现：(1) 使用由 4 个小型诊断模型构成的序列决策框架将计算成本降低 22.28 倍，(2) Transformer 的回归能力将肿瘤进展推断时间缩短 113 小时，(3) 应用类似现实情境的增强方法可提高整体 DICE 分数提升 2.9%。这些结果预计将提高生存率 0.9%， potentially 拯救约 2250 条生命。
引用
@article{arxiv.2512.06990,
title = {Utilizing Multi-Agent Reinforcement Learning with Encoder-Decoder Architecture Agents to Identify Optimal Resection Location in Glioblastoma Multiforme Patients},
author = {Krishna Arun and Moinak Bhattachrya and Paras Goel},
journal= {arXiv preprint arXiv:2512.06990},
year = {2025}
}