Agentic LLM Workflow for MR Spectroscopy Volume-of-Interest Placements in Brain Tumors

A continuación presento un resumen técnico detallado del artículo "Agentic LLM Workflow for MR Spectroscopy Volume-of-Interest Placements in Brain Tumors" en español.

1. Problema

La Espectroscopia por Resonancia Magnética (ERM o MRS, por sus siglas en inglés) es una herramienta clínica valiosa para la caracterización metabólica de tumores cerebrales, permitiendo diferenciar subregiones como el tumor sólido, el tumor infiltrativo y la necrosis por radiación. Sin embargo, su utilidad clínica depende críticamente de la colocación precisa del Volumen de Interés (VOI).

Los desafíos principales identificados son:

• Variabilidad inter-operatora: La colocación manual del VOI depende de la experiencia del operador y de múltiples objetivos en competencia (maximizar la cobertura del tejido diana, evitar la necrosis y el líquido cefalorraquídeo, minimizar la contaminación por volumen parcial y asegurar una buena relación señal-ruido).
• Múltiples soluciones válidas: Para un tumor dado, existen múltiples colocaciones de VOI que son técnicamente aceptables. Las soluciones actuales de aprendizaje profundo suelen ser deterministas (una sola salida), lo que no permite adaptar la colocación a preferencias clínicas específicas o prioridades del caso.
• Inflexibilidad de los modelos actuales: Adaptar los modelos a diferentes objetivos clínicos o configuraciones de sistemas de resonancia magnética requiere reentrenar modelos específicos para cada tarea, lo cual es impráctico.

2. Metodología

Los autores proponen un flujo de trabajo agente basado en Modelos de Lenguaje Grande (LLM) que descompone el problema en dos etapas: generación de candidatos diversos y selección óptima basada en instrucciones de lenguaje natural.

A. Generación de Datos y Entrenamiento

• Función Objetivo Discreta: Se desarrolló una función de objetivo matemática para generar un conjunto de datos de entrenamiento sintético. Esta función evalúa candidatos de VOI basándose en la fracción de cobertura de subregiones (tumor sólido, periferia, necrosis, cerebro normal) y penaliza métricas geométricas (volumen, distancia al cráneo).
• Preferencias de Entrenamiento: Se definieron dos conjuntos de parámetros para la función objetivo:
  1. Preferencia Equilibrada: Refleja el comportamiento promedio de expertos humanos.
  2. Preferencia de VOI Grande: Emula expertos que priorizan la cobertura máxima del tumor, penalizando fuertemente el tumor sólido no incluido.
• Modelos de Colocación (MVP y PC-MVP):
  • MVP (MRS VOI Placement): Un modelo basado en Vision Transformer (ViT) que regresa directamente un vector de 9 dimensiones (centro, dimensiones y rotación) a partir de la segmentación del tumor.
  • PC-MVP (Position-Conditioned MVP): Una variante que toma una coordenada de posición adicional como entrada. Esto permite generar múltiples VOI candidatos válidos al muestrear diferentes centros dentro del tumor sólido (hasta 50 candidatos por caso), creando diversidad en lugar de una solución única.

B. Flujo de Trabajo Agente (LLM)

• Orquestador: Se utiliza el modelo Qwen3-14B como controlador central.
• Herramientas: El LLM tiene acceso a cuatro herramientas: segmentación de tumores, colocación de VOI, evaluación de métricas y finalización de tareas.
• Proceso:
  1. El usuario introduce una instrucción en lenguaje natural (ej. "maximizar la cobertura del tumor sólido" o "minimizar la inclusión de necrosis").
  2. El LLM orquesta la generación de múltiples candidatos de VOI utilizando los modelos MVP y PC-MVP.
  3. El LLM evalúa los candidatos mediante métricas cuantitativas (fracción de tejido, volumen, distancia al cráneo).
  4. El LLM selecciona el VOI final que mejor se alinea con la preferencia del usuario sin necesidad de reentrenar el modelo de colocación.

3. Contribuciones Clave

1. Generación de Datos Sin Anotación Masiva: Uso de una función de objetivo para crear un conjunto de datos de entrenamiento que captura las preferencias de diferentes expertos humanos sin requerir anotaciones manuales extensivas.
2. Modelos de Detección Diversos: Implementación de modelos ViT (MVP y PC-MVP) capaces de producir un conjunto diverso de VOI aceptables en lugar de una predicción determinista única.
3. Flujo de Trabajo Agente: Presentación de un pipeline que integra segmentación, colocación y evaluación cuantitativa mediante un LLM, permitiendo el control condicionado por preferencias en lenguaje natural.
4. Adaptabilidad sin Reentrenamiento: La capacidad de ajustar la colocación del VOI a diferentes objetivos clínicos simplemente cambiando la instrucción del usuario, sin modificar los pesos del modelo subyacente.

4. Resultados

El estudio se validó en 110 casos clínicos de pacientes con glioma (datos in vivo), comparando el flujo de trabajo propuesto con colocaciones manuales de 5 expertos y métodos anteriores.

• Rendimiento de los Modelos: Los modelos MVP y PC-MVP entrenados con la función objetivo superaron a los expertos humanos y a métodos anteriores (CNN y búsqueda discreta) en métricas de cobertura de tumor sólido ($f_{VOIsolid}$) y exclusión de tumor sólido ($f_{Solidoutside}$).
• Control de Preferencias: El flujo de trabajo agente demostró una capacidad superior para ajustar los resultados según la instrucción:
  • Con preferencia de baja necrosis, logró la menor inclusión de tejido necrótico ($0.35 \pm 0.59$ mL).
  • Con preferencia de alta cobertura, alcanzó la mayor cobertura de tumor sólido ($0.66 \pm 0.23$).
  • Con preferencia de baja exclusión, minimizó el tumor sólido fuera del VOI ($0.52 \pm 0.22$).
• Consistencia Volumétrica: A diferencia de los métodos de búsqueda discreta que alteraban drásticamente el volumen del VOI, el flujo agente mantuvo volúmenes comparables a los de los expertos humanos (aprox. 12-14 mL), demostrando que puede modular la estrategia de colocación sin sacrificar la viabilidad clínica.
• Simulación de Expertos: El sistema fue capaz de replicar comportamientos distintos de expertos (ej. uno que prioriza el núcleo del tumor vs. otro que prioriza la cobertura total) simplemente cambiando la instrucción de preferencia.

5. Significado e Impacto

Este trabajo representa un avance significativo en la automatización de la resonancia magnética al introducir un paradigma agente y adaptable.

• Superación de la rigidez: Resuelve el problema de la "solución única" de los modelos de aprendizaje profundo actuales, reconociendo que en la práctica clínica existen múltiples soluciones válidas.
• Personalización Clínica: Permite a los clínicos ajustar la colocación del VOI en tiempo real según las prioridades específicas del caso (diagnóstico vs. seguimiento, tipo de tumor) sin necesidad de conocimientos técnicos profundos ni reentrenamiento de modelos.
• Escalabilidad: Al no requerir reentrenar modelos para cada nuevo objetivo clínico o configuración de equipo, el enfoque es altamente escalable y adaptable a diferentes instituciones y sistemas de MRI.
• Futuro: Establece una base para modelos fundamentales capaces de realizar colocaciones de VOI en anatomía cerebral normal y contextos clínicos más amplios.