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

Probleemstelling

Magnetische Resonantie Spectroscopie (MRS) biedt waardevolle metabolische informatie voor de diagnose en behandeling van hersentumoren. De kwaliteit en bruikbaarheid van MRS-metingen hangen echter kritisch af van de nauwkeurige plaatsing van het Volume-of-Interest (VOI).

• Complexiteit: De VOI-plaatsing vereist een delicate balans tussen het maximaliseren van de dekking van het tumorweefsel, het vermijden van necrose en cerebrospinaal vocht (wat de spectraalkwaliteit verslechtert), en het minimaliseren van partiële volumeverontreiniging.
• Variabiliteit: Voor een specifieke tumor zijn er vaak meerdere geldige VOI-plaatsingen die aan de klinische eisen voldoen. Dit leidt tot hoge variabiliteit tussen verschillende operators (inter-operator variabiliteit), vooral bij heterogene tumoren.
• Beperkingen van bestaande methoden: Traditionele geautomatiseerde methoden (zoals diep leren of discrete optimalisatie) zijn vaak deterministisch en vastgezet op één specifieke optimalisatieprestatie. Om te schakelen tussen verschillende klinische doelen (bijv. "maximaliseer tumordekking" vs. "minimaliseer necrose") of aanpassingen aan verschillende MRI-systemen, zou men vaak nieuwe modellen moeten trainen, wat onpraktisch is.

Methodologie

De auteurs stellen een agentische Large Language Model (LLM) workflow voor die het probleem decomposeert in twee fasen: het genereren van diverse kandidaat-VOI's en het selecteren van de optimale kandidaat op basis van natuurlijke taal instructies.

1. Agentische Workflow Architectuur

• LLM Controller: Er wordt gebruikgemaakt van Qwen3-14B als de centrale agent. Deze LLM fungeert niet als directe predictor van VOI-parameters, maar als een controller die gebruikersvoorkeuren interpreteert, tools orchestreert en kwantitatieve metingen integreert.
• Tools: De LLM heeft toegang tot vier specifieke tools:
  1. Tumor-segmentatie.
  2. VOI-plaatsing (generatie van kandidaten).
  3. Metriekevaluatie (kwantitatieve analyse van de kandidaten).
  4. Taakvoltooiing (selectie van de definitieve VOI).

2. Data Generatie en Training

• Objectieve Functie voor Data Augmentatie: In plaats van alleen handmatige annotaties te gebruiken, definieren de auteurs een wiskundige objectieve functie (Equation 1) om VOI-plaatsingen te genereren. Deze functie beoordeelt een VOI op basis van de fractie van verschillende weefsels (solid tumor, tumorperiferie, necrose, normaal weefsel) en geometrische straffen (bijv. afstand tot de schedel, volume).
• Verschillende Voorkeuren: Twee parameterreeksen worden gebruikt om trainingsdatasets te genereren:
  • Balanced: Weegt tumordekking en necrose-avoidance gelijk (gemiddeld menselijk expertgedrag).
  • Large-VOI / Low fSolidoutside: Prioriteert het minimaliseren van gemiste solid tumor, zelfs ten koste van een groter volume.
• AI Modellen (Tools):
  • Segmentatie: Een nnUNet model getraind op de BraTS 2017 dataset voor het segmenteren van contrastversterkende (CE) en niet-contrastversterkende (NE) tumoren en necrose.
  • VOI Plaatsing (MVP): Een Vision Transformer (ViT) regressiemodel dat een 9D-vector (centrum, afmetingen, rotatie) voorspelt op basis van de tumorsegmentatie.
  • Position-Conditioned MVP (PC-MVP): Een variant die een extra coördinaatinput accepteert. Hierdoor kan het model, gegeven een specifiek centrum, de afmetingen en oriëntatie voorspellen. Dit maakt het mogelijk om diverse kandidaten te genereren door op verschillende posities binnen de tumor te sample (maximaal 50 kandidaten).

3. Selectieproces

De LLM ontvangt de set van gegenereerde kandidaat-VOI's (van zowel MVP als PC-MVP) samen met hun kwantitatieve metingen. Op basis van een natuurlijke taal prompt (bijv. "minimaliseer necrose" of "maximaliseer solid tumor dekking") selecteert de LLM de beste kandidaat uit de set.

Belangrijkste Bijdragen

1. Data-gedreven voorkeursmodelling: Het gebruik van een objectieve functie om trainingsdata te genereren die verschillende menselijke expertvoorkeuren nabootst, zonder uitgebreide handmatige annotatie voor elke variatie.
2. Diverse Kandidaatgeneratie: De introductie van PC-MVP modellen die, in plaats van één deterministische oplossing, een reeks acceptabele VOI's genereren door te conditioneren op verschillende posities.
3. Agentische LLM-integratie: Een workflow die MRS-VOI-plaatsing koppelt aan natuurlijke taal, waardoor dynamische aanpassing aan klinische doelen mogelijk is zonder het opnieuw trainen van specifieke modellen.
4. Controleerbaarheid: Het aantonen dat natuurlijke taalverzoeken leiden tot gerichte VOI-oplossingen die specifieke klinische doelen (zoals necrose-avoidance of tumordekking) prioriteren.

Resultaten

De methode werd getest op 110 klinische gevallen van volwassen patiënten met gliomen (laag- en hooggradig), vergeleken met handmatige plaatsingen door vijf experts en eerdere geautomatiseerde methoden.

• Prestatie ten opzichte van experts: De agentische workflow behaalde betere resultaten dan menselijke experts en eerdere deep-learning methoden op het gebied van solid tumor dekking (fVOIsolid) en het vermijden van gemiste tumorweefsel (fSolidoutside).
• Voorkeursgedrag:
  • Bij voorkeur voor lage necrose: De workflow bereikte de laagste necrose-inclusie (0,35 mL) van alle methoden.
  • Bij voorkeur voor hoge tumordekking: De workflow bereikte de hoogste dekking (0,66).
  • Bij voorkeur voor lage gemiste tumor: De workflow bereikte de laagste fSolidoutside (0,52).
• Volume-beheersing: In tegenstelling tot discrete zoekmethoden die vaak tot extreme volumeveranderingen leiden, hield de agentische workflow het VOI-volume binnen een realistisch bereik (11,8–14,1 mL), vergelijkbaar met menselijke experts (~12 mL).
• Flexibiliteit: De workflow kon succesvol de plaatsingsstrategie aanpassen om te lijken op verschillende expertgedragingen (bijv. een compacte VOI voor focus op de kern versus een grotere VOI voor bredere dekking), afhankelijk van de ingevoerde prompt.

Betekenis en Conclusie

Dit paper introduceert een paradigmaverschuiving in de automatisering van MRS-VOI-plaatsing. In plaats van één "perfecte" oplossing te zoeken, erkent de methode dat er meerdere geldige oplossingen zijn en gebruikt een agentische LLM om de juiste keuze te maken op basis van context en klinische prioriteit.

De belangrijkste voordelen zijn:

• Aanpassingsvermogen: Het systeem kan inspelen op verschillende klinische vragen en voorkeuren zonder dat er nieuwe modellen getraind hoeven te worden.
• Robuustheid: Het combineert de kracht van deep learning voor generatie met de flexibiliteit van taalmodellen voor selectie.
• Klinische relevantie: Het biedt een strategie om de hoge variabiliteit tussen operators te reduceren en MRS-onderzoek en -diagnostiek te standaardiseren, terwijl het toch ruimte laat voor specifieke klinische behoeften.

Toekomstig werk richt zich op het uitbreiden van dit raamwerk naar een fundamenteel model voor VOI-plaatsing in normale hersenanatomie en het testen in bredere klinische contexten.