探索用于 NSCLC 肿瘤分割的零样本分割 VLM 中与临床因素的快速对齐

零样本视觉语言模型（VLM）为非小细胞肺癌（NSCLC）大体肿瘤体积（GTV）描绘的任务特定训练提供了一种快速的替代方案，但控制其空间行为的即时维度仍然知之甚少。我们通过在保留的内部 NSCLC 肿瘤数据集上探索 VoxTell 中的对齐方向来研究这个问题，通过子提示分解为诊断、人口统计学、分期、解剖学、通用和不相关的对照；属性方面的扰动鲁棒性；特异性阶梯；和跨案例提示交换，同时使用骰子相似系数 (DSC) 以及 Wilcoxon 符号秩检验和 Benjamini-Hochberg 校正对微调和零样本基线进行基准测试。对齐分析显示，解剖位置是 VoxTell 空间注意力的主要驱动因素：63.4% 的位置扰动导致灾难性下降，提示特异性从一般描述提高到完整描述（仅诊断提示除外），不相关的提示正确产生零分割，跨病例提示交换证实了患者特异性调节（匹配 DSC 0.906 与不匹配 0.406）。组织学和阶段替换的影响很小，表明该模型优先考虑“在哪里寻找”而不是“寻找什么”。在这种情况下，完全零样本运行的 VoxTell 实现了 0.613 的平均 DSC，在统计上与 nnUNet（0.690，调整后的 p = 0.156）和 Ahmed 等人没有区别。 （0.675，调整后的 p = 0.679），同时显着优于所有其他零样本模型。总之，这些发现表明，分段 VLM 不仅应该通过 Dice 进行评估，还应该通过它们所对齐的提示维度进行评估。