arXiv cs.AI· Riqiang Gao, Simon Arberet, Martin Kraus, Han Liu, Wilko F. A. R. Verbakel, Dorin Comaniciu, Florin-Cristian Ghesu, Ali Kamen·· 11 小时前AI 评分35
生成式 AI 按用户偏好辅助放疗计划，性能超越 Varian RapidPlan
Demo: Generative AI helps Radiotherapy Planning with User Preference
AI 导读
研究提出一种仅依据用户自定义偏好风格预测 3D 剂量分布的生成模型，让放疗计划者可自行权衡危及器官（OARs）与计划靶区（PTVs）之间的取舍。该模型面向临床治疗计划系统集成设计，对比评估显示其在部分场景下的适应性与计划质量超过 Varian RapidPlan。
正文 · AI 翻译
摘要：放疗计划是一个高度复杂的过程，不同机构和不同计划者之间往往存在显著差异。现有的大多数用于 3D 剂量预测的深度学习方法在训练时依赖参考计划作为真实标签，这可能会无意中使模型偏向特定的计划风格或机构偏好。在本研究中，我们提出了一种新颖的生成模型，仅基于用户定义的偏好风味来预测 3D 剂量分布。这些可定制的偏好使计划者能够优先考虑危及器官（OARs）与计划靶区（PTVs）之间的特定权衡，从而提供更大的灵活性和个性化。为与临床治疗计划系统无缝集成而设计，我们的方法帮助用户高效地生成高质量计划。对比评估表明，在某些场景下，我们的方法在适应性和计划质量上均可超越 Varian RapidPlan 模型。
| 评论： | NeurIPS 2025 GenAI4Health 最佳论文 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2512.08996 [cs.CV] |
| （或 arXiv:2512.08996v3 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2512.08996 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Riqiang Gao [查看邮箱]
[v1]
2025年12月8日星期一 16:49:21 UTC（4,698 KB）
[v2]
2026年9月24日星期四 19:29:47 UTC（4,698 KB）
[v3]
2026年10月23日星期五 15:42:29 UTC（4,681 KB）
来源：arXiv cs.AI · arxiv.org