通过使用图像和大型语言模型（LLM）辅助的深度学习模型，本研究提出了一种将无结构图像转化为结构化图形的流程，并开发了一种名为 DoseGNN 的剂量图神经网络模型用于预测剂量体积直方图（DVH）。与放射治疗中广泛使用的 DL 模型相比，LLM 增强的 DoseGNN 模型在预测上取得了 Swim U-Net Transformer、3D U-Net CNN 和普通 MLP 的平方误差的 80％、76％和 41.0％的效果，并通过与临床医生的自然语言交互，实现了与治疗计划的无缝调整。

Feb, 2024

射线治疗计划是一项耗时且潜在主观性的过程，需要迭代调整模型参数以平衡多个冲突的目标。本研究介绍了 GPT-RadPlan，它是一个完全自动化的治疗计划框架，利用多模态大型语言模型中编码的放射治疗学知识，作为专家人工规划师指导治疗计划过程。通过在上下文中学习，将临床规程作为提示，使 GPT-4V 获得治疗计划领域知识。结果显示，GPT-RadPlan 在多个前列腺癌和头颈癌案例中表现出优越的目标覆盖和器官风险保护，在满足临床规程中的剂量目标方面始终表现出色，实现了自动化治疗计划过程的显著结果，无需额外的训练。

Jun, 2024

深度学习在放疗自动化方面发挥了作用，但现有方法无法得出可直接输入治疗计划系统（TPS）的理想放疗参数，阻碍了放疗全面自动化。本文提出了一个新的两阶段框架，用于直接回归放疗参数，包括剂量图预测阶段和放疗参数回归阶段。实验证明我们的方法的有效性。

Feb, 2024

通过主题分析，我们研究了具有生成性视觉问答系统的患者面向的生成式人工智能系统，以满足癌症患者在放射学成像数据中对医学术语、疾病进展、诊断步骤和治疗方案等方面信息的需求，结果表明模型的响应质量在不同主题上有所变化，强调患者面向的生成式人工智能系统需要满足患者的多样化实际需求。

Jan, 2024

多模态人工智能系统能够通过解释各种类型的医疗数据来增强临床决策，本研究引入了一种利用大型语言模型作为中央推理引擎的多模态医疗人工智能的替代方法，通过验证该系统在临床肿瘤学场景中的表现，证实了语言模型能够作为专科、以患者为中心的临床助手的有效性。

Apr, 2024

通过扩散模型为癌症患者的放射治疗剂量分布预测提出了一种方法 (DiffDose)，该方法通过正向和逆向过程分别将剂量分布转化为高斯噪音和去除噪音，从而有效地解决了现有方法中平滑问题和损失计算的限制。

Nov, 2023

AI 驱动的精准肿瘤治疗具有转变癌症治疗的潜力，通过利用 AI 模型分析复杂患者特征与相应治疗结果的相互作用，以及新技术平台提供的多模态肿瘤生物学数据，开展数据驱动的临床决策改进研究。该研究提出了一个模块化机器学习框架，旨在通过一组训练于多种多组学技术的机器学习专家，为个性化反事实癌症治疗建议提供支持，并提供决策的置信度和解释。该框架解决了数据驱动癌症研究中的关键挑战，并通过使用卵巢癌患者的体外和体内治疗反应数据，全面演示了其效用，旨在赋予临床医生一种现实中心的决策支持工具，以根据个体癌症患者的多组学特征来个性化治疗策略。

Feb, 2024

利用大型语言模型进行人工智能辅助的放射学报告生成与评估研究，通过结合放射科医生专业知识并采用相关评估指标以提高医学报告质量评估水平。

Jan, 2024

本文提出了一种新颖的基于机器教学、整合了 DICOM 标准 SR 注释的人工智能模型服务，以及将其集成到开源的 LibreHealth 放射学信息系统（RIS）中。此平台利用主动学习策略，使得放射学家与模型之间可以建立合作关系，并且运用群集学习方法，实现了共享有多个用户的用户特定模型权重的目标。

Mar, 2023

利用 MR-Linac 等精确放疗技术，结合可解释人工智能（XAI）方法，提出了一个深度学习流程来解决胃肠器官分割的挑战。

Sep, 2023