Automated radiotherapy treatment planning guided by GPT-4Vision
Created by
Haebom
저자
Sheng Liu, Oscar Pastor-Serrano, Yizheng Chen, Matthew Gopaulchan, Weixing Liang, Mark Buyyounouski, Erqi Pollom, Quynh-Thu Le, Michael Gensheimer, Peng Dong, Yong Yang, James Zou, Lei Xing
개요
본 연구는 방사선 종양학 치료 계획의 자동화를 위한 새로운 프레임워크인 GPT-RadPlan을 제시합니다. GPT-RadPlan은 OpenAI의 GPT-4V와 같은 대규모 다중 모달 모델의 추론 능력과 방사선 종양학 지식을 통합하여, 반복적인 매개변수 조정을 통해 여러 상충되는 목표 간의 균형을 맞추는 기존 방사선 치료 계획의 어려움을 해결하고자 합니다. GPT-4V는 in-context learning을 통해 임상 요구사항과 몇몇 승인된 임상 계획을 학습하여 치료 계획 도메인 지식을 습득하며, API를 통해 역방사선 치료 계획 시스템에 통합됩니다. GPT-RadPlan은 계획 평가자이자 계획자 역할을 수행하여 선량 분포 및 선량-용적 히스토그램(DVHs)을 평가하고, 의사의 요구사항에 맞게 계획을 개선하는 방법에 대한 텍스트 피드백을 제공하며, 가중치 및 선량 목표와 같은 계획 매개변수를 조정하여 계획을 반복적으로 개선합니다. 전립선암 17건과 두경부암 13건의 VMAT 계획에서 GPT-RadPlan의 효과를 검증한 결과, 모든 경우에서 임상 계획과 동등하거나 능가하는 성능을 보였으며, 표적 적중률이 향상되고 위험 장기 선량이 평균 5 Gy 감소(전립선암 15%, 두경부암 10-15%)하는 결과를 얻었습니다.
시사점, 한계점
•
시사점:
◦
대규모 다중 모달 모델을 활용하여 방사선 치료 계획의 자동화 및 효율성 향상 가능성을 제시.
◦
기존 임상 계획 대비 우수한 표적 적중률 및 감소된 위험 장기 선량을 보여줌으로써, 치료 효과 개선 및 부작용 감소 가능성 확인.
◦
의료 영역에서 인공지능 활용의 새로운 가능성을 제시.
•
한계점:
◦
현재는 제한된 수의 암종 및 계획에 대한 결과만 제시되어 일반화 가능성에 대한 추가 연구 필요.
◦
GPT-4V와 같은 대규모 모델의 의존성으로 인한 접근성 및 비용 문제 발생 가능성.
◦
임상 적용을 위한 추가적인 검증 및 안전성 평가 필요.
◦
모델의 "블랙박스" 성격으로 인한 설명 가능성 및 신뢰도 문제.
◦
in-context learning에 사용된 clinical plan의 수가 적음 (3개). 더 많은 데이터가 필요할 수 있음.
