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

Resumo Técnico: Fluxo de Trabalho Agente com LLM para Colocação de Volume de Interesse (VOI) em Espectroscopia por Ressonância Magnética (MRS) de Tumores Cerebrais

1. O Problema

A Espectroscopia por Ressonância Magnética (MRS) é uma ferramenta clínica valiosa para a caracterização metabólica de tumores cerebrais, permitindo diferenciar regiões como tumor sólido, tumor infiltrativo e necrose. No entanto, sua utilidade depende criticamente da colocação precisa do Volume de Interesse (VOI).

• Desafios Atuais: A colocação do VOI é tipicamente manual, exigindo operadores experientes para equilibrar objetivos concorrentes: maximizar a cobertura do tecido-alvo, evitar necrose e líquido cefalorraquidiano (que degradam a qualidade do espectro), minimizar contaminação por volume parcial e garantir uma boa relação sinal-ruído.
• Variabilidade: Existe uma alta variabilidade inter-operador, especialmente em tumores heterogêneos, onde múltiplas posições do VOI podem ser clinicamente aceitáveis.
• Limitações de IA Convencional: Métodos de aprendizado supervisionado tradicionais tendem a prever uma única colocação determinística. Adaptar esses modelos para diferentes preferências clínicas, objetivos de pesquisa ou configurações de hardware exigiria o re-treinamento de modelos específicos para cada cenário, o que é impraticável.

2. Metodologia

Os autores propõem um fluxo de trabalho agente baseado em Grandes Modelos de Linguagem (LLM) que desacopla a geração de candidatos da seleção final, permitindo controle baseado em preferências em linguagem natural sem re-treinamento de modelos de baixo nível.

• Arquitetura Agente (LLM):

  • Utiliza o modelo Qwen3-14B como controlador central.
  • O LLM atua como um orquestrador que interpreta instruções do usuário (ex: "priorizar cobertura de tumor sólido" ou "minimizar necrose") e invoca ferramentas específicas.
  • O fluxo possui quatro ferramentas principais: segmentação de tumor, colocação de VOI, avaliação de métricas quantitativas e conclusão da tarefa.

• Geração de Candidatos Diversos (Modelos de Visão):

  • Segmentação: Um modelo nnUNet treina para segmentar tumores em regiões de realce (CE), não realce (NE) e necrose.
  • Colocação de VOI (MVP): Um modelo baseado em Vision Transformer (ViT) com regressão direta de um vetor 9D (centro, dimensões e rotação) a partir da segmentação.
  • Colocação Condicional (PC-MVP): Uma variante que recebe uma coordenada de posição de entrada adicional. Isso permite gerar múltiplos VOIs válidos ao amostrar diferentes posições dentro do tumor, criando um conjunto diversificado de candidatos em vez de uma única solução determinística.
  • Aumento de Dados via Função Objetivo: Em vez de anotações manuais extensivas, os dados de treinamento são gerados usando uma função objetivo discreta. Esta função pontua candidatos de VOI baseando-se em frações de tecidos (sólido, periferia, necrose) e modificadores geométricos (penalizando VOIs muito grandes ou muito próximos ao crânio). Duas configurações de preferência foram criadas: "Equilibrada" (média dos especialistas) e "VOI Grande" (foco em minimizar tumor fora do VOI).

• Seleção pelo LLM:

  • O LLM recebe o conjunto de VOIs candidatos gerados pelo PC-MVP e as métricas quantitativas associadas.
  • Com base na instrução do usuário, o LLM seleciona o VOI ótimo que melhor atende aos critérios clínicos específicos.

3. Principais Contribuições

1. Geração de Dados Sintéticos Orientada a Objetivos: Uso de uma função objetivo para criar conjuntos de treinamento que capturam preferências humanas variadas sem anotação manual massiva.
2. Modelos de Visão para Diversidade: Implementação de modelos ViT e PC-MVP para produzir um leque de candidatos de VOIs aceitáveis, superando a limitação de soluções únicas determinísticas.
3. Fluxo de Trabalho Agente Híbrido: Integração de segmentação, colocação de VOI e avaliação de métricas quantitativas coordenada por um LLM.
4. Controle Condicionado por Preferência: Demonstração de que solicitações em linguagem natural podem direcionar o sistema para soluções de VOI específicas (ex: maximizar cobertura vs. minimizar necrose) sem re-treinar os modelos de visão.

4. Resultados

O método foi validado em 110 casos clínicos de glioma (dados in vivo) e comparado com colocações de 5 especialistas humanos e métodos anteriores (discrete search, CNN).

• Desempenho Geral: O fluxo agente superou os especialistas humanos e métodos automatizados anteriores em métricas de cobertura de tumor sólido ($f_{VOI_{solid}}$) e exclusão de tumor sólido ($f_{Solid_{outside}}$).
• Adaptabilidade:
  • Com preferência por baixa necrose, o fluxo alcançou a menor inclusão de tecido necrótico ($0,35 \pm 0,59$ mL).
  • Com preferência por alta cobertura de tumor, alcançou a maior cobertura ($0,66 \pm 0,23$).
  • Com preferência por minimizar tumor fora do VOI, reduziu significativamente a exclusão ($0,52 \pm 0,22$).
• Consistência de Volume: Diferente de métodos de busca discreta que alteravam drasticamente o volume do VOI para otimizar métricas, o fluxo agente manteve volumes de VOI dentro de uma faixa comparável à dos especialistas humanos (aprox. 11,8–14,1 mL), preservando o padrão de colocação clínico enquanto ajustava os objetivos.
• Simulação de Especialistas: O sistema conseguiu replicar comportamentos distintos de especialistas (ex: um especialista que prioriza volume pequeno vs. outro que prioriza cobertura ampla) apenas alterando a instrução de preferência.

5. Significado e Conclusão

Este trabalho apresenta uma mudança de paradigma na automação de MRS. Ao invés de treinar um modelo único para uma tarefa fixa, o uso de um agente LLM permite um sistema flexível e adaptável.

• Flexibilidade Clínica: O sistema pode atender a diferentes objetivos diagnósticos ou de pesquisa (ex: focar em necrose pós-tratamento vs. tumor residual) sem necessidade de re-treinamento de modelos de deep learning.
• Redução de Variabilidade: Oferece uma estratégia para padronizar a colocação de VOIs enquanto respeita as nuances e preferências clínicas individuais.
• Futuro: A abordagem sugere um caminho para modelos fundamentais de VOI que possam operar em diferentes configurações de hardware e contextos anatômicos, movendo-se além da simples automação para uma assistência inteligente e contextualizada.