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.

End-to-End Breast Cancer Radiotherapy Planning via LMMs with Consistency Embedding

Created by
  • Haebom

저자

Kwanyoung Kim, Yujin Oh, Sangjoon Park, Hwa Kyung Byun, Joongyo Lee, Jin Sung Kim, Yong Bae Kim, Jong Chul Ye

개요

RO-LMM은 방사선 종양학 분야를 위해 고안된 다목적이고 종합적인 대규모 다중 모달 모델입니다. 임상 워크플로 내에서 임상 맥락 요약, 방사선 치료 계획 제안, 계획 기반 표적 부피 분할 등 일련의 작업을 효율적으로 처리합니다. 특히, 오류 누적 없이 연속적인 임상 작업을 수행하기 위해, 잡음이 많은 입력에 대한 강건성을 높이고 깨끗한 입력 처리의 일관성을 유지하는 새로운 일관성 임베딩 미세 조정(CEFTune) 기술을 제시합니다. 또한 이 개념을 LMM 기반 분할 프레임워크로 확장하여 새로운 일관성 임베딩 분할(CESEG) 기술을 개발했습니다. 다기관 검증을 포함한 실험 결과는 CEFTune 및 CESEG를 사용한 RO-LMM이 다양한 임상 작업에 대해 유망한 성능과 일반화 능력을 보여줌을 확인했습니다.

시사점, 한계점

시사점:
방사선 종양학 분야에서 임상 업무량을 줄일 수 있는 잠재력을 가진 다중 모달 대규모 모델을 제시.
CEFTune 및 CESEG 기술을 통해 잡음에 대한 강건성과 임상 작업의 일관성 향상.
다기관 검증을 통한 모델의 일반화 능력 확인.
한계점:
실제 임상 환경에서의 추가적인 검증 필요.
모델의 설명력 및 신뢰도 향상 연구 필요.
다양한 종류의 데이터 및 임상 시나리오에 대한 추가적인 테스트 필요.
CEFTune 및 CESEG 기술의 일반화 가능성에 대한 추가적인 연구 필요.
👍