論文の概要: Agentic LLM Workflow for MR Spectroscopy Volume-of-Interest Placements in Brain Tumors

• arxiv url: http://arxiv.org/abs/2603.13371v1
• Date: Mon, 09 Mar 2026 18:13:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:57.795099
• Title: Agentic LLM Workflow for MR Spectroscopy Volume-of-Interest Placements in Brain Tumors
• Title（参考訳）: 脳腫瘍におけるMR Spectroscopy Volume-of-interest Placements のためのエージェントLDMワークフロー
• Authors: Sangyoon Lee, Francesca Branzoli, Małgorzata Marjańska, Patrick Bolan,
• Abstract要約: 磁気共鳴分光法は、臨床的に価値のある脳腫瘍の代謝特性を提供する。 特定の腫瘍には、高品質なMRS測定につながる複数のVOIが存在する。 本稿では,VOI を多種多様な VOI の生成に分解するエージェント型大規模言語モデル (LLM) ワークフローを提案する。
• 参考スコア（独自算出の注目度）: 2.213473586608787
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magnetic resonance spectroscopy (MRS) provides clinically valuable metabolic characterization of brain tumors, but its utility depends on accurate placement of the spectroscopy volume-of-interest (VOI). However, VOI placement typically has a broad operating window: for a given tumor there are multiple possible VOIs that would lead to high-quality MRS measurements. Thus, a VOI place-ment can be tuned for clinician preference, case-specific anatomy, and clinical pri-orities, which leads to high inter-operator variability, especially for heterogeneous tumors. We propose an agentic large language model (LLM) workflow that de-composes VOI placement into generation of diverse candidate VOIs, from which the LLM selects an optimal one based on quantitative metrics. Candidate VOIs are generated by vision transformer-based placement models trained with differ-ent objective function preferences, which allows selection from acceptable alterna-tives rather than a single deterministic placement. On 110 clinical brain tumor cas-es, the agentic workflow achieves improved solid tumor coverage and necrosis avoidance depending on the user preferences compared to the general-purpose expert placements. Overall, the proposed workflow provides a strategy to adapt VOI placement to different clinical objectives without retraining task-specific models.
• Abstract（参考訳）: 磁気共鳴分光法(MRS)は、臨床的に価値のある脳腫瘍の代謝的特徴を提供するが、その有用性は分光量(VOI)の正確な配置に依存する。 しかし、VOI配置は一般に広い手術窓を持ち、特定の腫瘍に対して、高品質なMRS測定につながる可能性のあるVOIが複数存在する。 このように、VOIの配置は臨床の嗜好、症例特異的解剖学、臨床のプライオリティに調整することができ、特に異種腫瘍において高い操作間変動をもたらす。 本稿では,多様な候補VOIの生成にVOIの配置を分解するエージェント型大規模言語モデル(LLM)ワークフローを提案する。 候補VOIは視覚変換器に基づく配置モデルによって生成され、単一の決定論的配置ではなく許容可能な変化要因から選択することができる。 臨床脳腫瘍110例において, エージェントワークフローは, 汎用的な専門家の配置に比べて, 使用者の好みに応じて, 固形腫瘍カバレッジと壊死回避の改善を実現している。 提案したワークフローは、タスク固有のモデルを再トレーニングすることなく、VOIの配置を異なる臨床目的に適応させる戦略を提供する。

関連論文リスト

• Adaptable Segmentation Pipeline for Diverse Brain Tumors with Radiomic-guided Subtyping and Lesion-Wise Model Ensemble [4.574257127551285]
  BraTS 2025 Lighthouse Challengeは、さまざまな高品質データセットのセグメンテーション方法をベンチマークする。 セグメンテーション性能を改善するために,フレキシブルでモジュール化された適応可能なパイプラインを提案する。 パイプラインは、複数の課題にまたがるトップランクのアルゴリズムに匹敵するパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2025-12-16T18:09:48Z)
• EndoBench: A Comprehensive Evaluation of Multi-Modal Large Language Models for Endoscopy Analysis [62.00431604976949]
  EndoBenchは、内視鏡的プラクティスの全スペクトルにわたるMLLMを評価するために特別に設計された最初の包括的なベンチマークである。 我々は、汎用、医療特化、プロプライエタリMLLMを含む23の最先端モデルをベンチマークする。 私たちの実験では、プロプライエタリなMLLMは、オープンソースや医療専門のモデルよりも優れていますが、それでも人間の専門家を追い越しています。
  論文  参考訳（メタデータ） (2025-05-29T16:14:34Z)
• MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts [54.915060471994686]
  MAST-Proは,ダイナミックなMixture-of-Experts(D-MoE)とパン腫瘍セグメンテーションのための知識駆動プロンプトを統合した新しいフレームワークである。 具体的には、テキストと解剖学的プロンプトは、腫瘍表現学習を導くドメイン固有の事前情報を提供し、D-MoEは、ジェネリックと腫瘍固有の特徴学習のバランスをとる専門家を動的に選択する。 マルチ解剖学的腫瘍データセットの実験では、MAST-Proは最先端のアプローチよりも優れており、トレーニング可能なパラメータを91.04%削減し、平均改善の5.20%を達成している。
  論文  参考訳（メタデータ） (2025-03-18T15:39:44Z)
• Recommender Engine Driven Client Selection in Federated Brain Tumor Segmentation [0.1969973131266619]
  本研究では,FeTS 2024(Feerated tumor Challenge)のための堅牢かつ効率的なクライアント選択プロトコルを提案する。 新規または非アクティブなコラボレータは、限られたデータのために選択の課題を提起する。 モデルパラメータのアダプティブアグリゲーションのための高調波類似度重みアグリゲーション(HSimAgg)を提案する。
  論文  参考訳（メタデータ） (2024-12-28T19:49:02Z)
• SCREENER: A general framework for task-specific experiment design in quantitative MRI [5.531414667421242]
  SCREENERは、定量的MRIにおけるタスク固有の実験設計のための一般的なフレームワークである。 タスク固有の目的を取り入れ、深層強化学習(DRL)に基づく最適化戦略を用いて最適なプロトコルを求める。 その結果,SCREENERは,SNR条件下で,従来のアドホックおよび最適化プロトコルよりも優れていた。
  論文  参考訳（メタデータ） (2024-08-06T21:43:50Z)
• End-to-End Breast Cancer Radiotherapy Planning via LMMs with Consistency Embedding [47.360760580820966]
  放射線腫瘍学の分野に適した包括的大規模マルチモーダルモデル(LMM)であるRO-LMMを提案する。 このモデルは臨床ワークフロー内の一連のタスクを効果的に管理し、臨床コンテキストの要約、放射線治療計画の提案、計画誘導されたターゲットボリュームセグメンテーションを含む。 クリーン入力処理の整合性を維持しつつ,LMMのノイズ入力に対する堅牢性を向上する,CEFTune(Consistency Embedding Fine-Tuning)技術を提案する。
  論文  参考訳（メタデータ） (2023-11-27T14:49:06Z)
• Strategising template-guided needle placement for MR-targeted prostate biopsy [4.098030060686299]
  2次元超音波像と生検針の連続的位置決めの動作を最適化する強化学習方針を学習する。 実験の結果, 提案したRL学習ポリシーは平均ヒット率93%, がんコア長11mmであった。
  論文  参考訳（メタデータ） (2022-07-21T23:27:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。