Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Autonomous Radiotherapy Treatment Planning Using DOLA: A Privacy-Preserving, LLM-Based Optimization Agent

Created by
  • Haebom
Category
Empty

저자

Humza Nusrat (Department of Radiation Oncology, Henry Ford Health, Detroit, USA, College of Human Medicine, Michigan State University, East Lansing, USA), Bing Luo (Department of Radiation Oncology, Henry Ford Health, Detroit, USA), Ryan Hall (Department of Radiation Oncology, Henry Ford Health, Detroit, USA), Joshua Kim (Department of Radiation Oncology, Henry Ford Health, Detroit, USA), Hassan Bagher-Ebadian (Department of Radiation Oncology, Henry Ford Health, Detroit, USA, College of Human Medicine, Michigan State University, East Lansing, USA), Anthony Doemer (Department of Radiation Oncology, Henry Ford Health, Detroit, USA), Benjamin Movsas (Department of Radiation Oncology, Henry Ford Health, Detroit, USA, College of Human Medicine, Michigan State University, East Lansing, USA), Kundan Thind (Department of Radiation Oncology, Henry Ford Health, Detroit, USA, College of Human Medicine, Michigan State University, East Lansing, USA)

개요

본 논문에서는 방사선 치료 계획의 복잡성과 시간 소모성, 그리고 계획자 간의 차이 및 주관적인 의사결정 문제를 해결하기 위해, 환자의 프라이버시를 철저히 보호하면서 방사선 치료 계획을 최적화하도록 설계된 자율적인 대규모 언어 모델(LLM) 기반 에이전트인 Dose Optimization Language Agent (DOLA)를 제시한다. DOLA는 LLaMa3.1 LLM을 상용 치료 계획 시스템과 직접 통합하여 사고 연쇄 프롬프팅, 검색 증강 생성(RAG), 강화 학습(RL)을 활용한다. 안전한 로컬 인프라 내에서만 작동하여 외부 데이터 공유를 배제한다. 18명의 전립선암 환자(60 Gy, 20회 분할 조사)를 대상으로 한 후향적 코호트 연구를 통해 모델 크기(80억 매개변수 대 700억 매개변수)와 최적화 전략(No-RAG, RAG, RAG+RL)을 10회의 계획 반복에 걸쳐 비교 평가하였다. 그 결과, 700억 매개변수 모델이 80억 매개변수 모델보다 최종 점수가 약 16.4% 향상된 성능을 보였으며, RAG 접근 방식은 No-RAG 기준선보다 19.8% 더 나은 성능을 보였다. RL을 통합하면 수렴 속도가 빨라져 검색 기반 메모리와 강화 학습의 시너지 효과가 강조되었다. 최적의 온도 하이퍼파라미터 분석 결과, 0.4가 탐색과 활용 간의 최적의 균형을 제공하는 것으로 나타났다. 이 개념 증명 연구는 상용 방사선 치료 계획 시스템 내에서 치료 계획의 자율적 최적화를 위한 로컬 호스팅 LLM 에이전트의 첫 번째 성공적인 배포를 보여준다. 해석 가능한 자연어 추론을 통해 인간-기계 상호 작용을 확장함으로써 DOLA는 확장 가능하고 개인 정보 보호에 중점을 둔 프레임워크를 제공하며, 임상 구현과 워크플로 개선에 상당한 잠재력을 가지고 있다.

시사점, 한계점

•
시사점:
◦
상용 방사선 치료 계획 시스템 내에서 LLM 기반 자율적 계획 최적화의 성공적인 구현을 최초로 제시.
◦
환자 프라이버시 보호를 위한 안전한 로컬 인프라 기반 운영.
◦
RAG와 RL의 시너지 효과를 통해 계획 최적화 성능 향상.
◦
해석 가능한 자연어 추론을 통한 인간-기계 상호작용 개선.
◦
임상적 구현 및 워크플로 개선에 대한 상당한 잠재력.
•
한계점:
◦
후향적 코호트 연구 기반의 제한적인 샘플 크기(18명의 환자).
◦
특정 암종(전립선암) 및 치료 계획(60 Gy, 20회 분할 조사)에 대한 결과 제한.
◦
다양한 암종 및 치료 계획에 대한 일반화 가능성 검증 필요.
◦
임상적 유효성 및 안전성에 대한 추가 연구 필요.
◦
LLM 모델의 크기 증가에 따른 계산 자원 소모 문제.
👍
Made with Slashpage