论文
RADIANT-PET：使用 大语言模型 和强化学习进行推理增强 PET/CT 病灶分割
RADIANT-PET: Reasoning-Augmented PET/CT Lesion Segmentation with Large Language Models and Reinforcement Learning
摘要
PET/CT 中准确的病灶分割对于肿瘤学至关重要，但仍然具有挑战性，因为生理示踪剂的摄取和伪影可以模拟恶性信号。我们提出了 RADIANT-PET，这是一种推理增强框架，它将高灵敏度体素级分割模型与病变级 大语言模型 (LLM) 裁决相结合。候选摄取区域是通过故意允许的分割阶段生成的，然后转换为总结摄取强度、形态以及区域和全局解剖背景的结构化文本描述。 LLM 将每个候选者分类为真实病变与假阳性，并可选择利用放射学报告作为附加临床背景。为了加强病变级别的推理，我们通过使用组相对策略优化的强化学习进一步优化局部 LLM，奖励正确的病变分类和解剖学上一致的位点分配。在 AutoPET 和 OSU 测试队列中，RADIANT-PET 始终优于强大的纯图像基线，在提供放射学报告时观察到最大的改进。总体而言，这些结果表明，基于 LLM 的病变级推理在传统分割之外添加了一个新颖的推理层，抑制了生理假阳性并使体素级预测与临床解释保持一致。项目存储库位于：https://github.com/jwang-580/RADIANT-PET。