开源大语言模型在放疗风险器官结构命名标准化中的应用研究

针对放疗结构命名标准（TG-263）实施不足的难题，研究人员评估了Llama 3.3、DeepSeek等开源大语言模型（LLMs）在多语言多中心数据集中的器官风险结构（OAR）重命名性能。结果显示，具备推理能力的DeepSeek R1模型准确率高达99.9%，为临床数据标准化和AI开发提供了高效解决方案。

　　

在放射肿瘤学领域，器官风险结构（OAR）的精准命名是治疗计划制定的基石，但不同机构甚至国家间的命名差异长期阻碍着数据共享和AI应用。尽管美国医学物理学家协会（AAPM）发布的TG-263指南试图统一命名规范，但实际推行中仍面临语言差异、机构习惯等挑战。这种混乱局面使得跨中心合作研究和大规模深度学习模型的开发举步维艰。

来自荷兰乌得勒支大学医学中心（University Medical Center Utrecht）、德国慕尼黑大学医院（LMU Klinikum Munich）等机构的研究团队另辟蹊径，首次系统评估了开源大语言模型（LLM）在这一复杂任务中的潜力。他们选取了包含34,177个OAR结构的多语言数据集，覆盖英语、德语和荷兰语命名，通过精心设计的少样本提示策略，测试了Llama 3.3、DeepSeek等四类开源模型的标准化性能。

研究的关键技术路线清晰：首先从DICOM RTstruct文件中提取原始结构名并过滤非TG-263结构；随后构建包含详细指令和范例的提示模板；采用确定性推理（温度参数=0）确保结果可重复；创新性地引入蒙特卡洛采样（温度=1）评估预测不确定性。特别值得注意的是，团队对推理模型（如DeepSeek R1）采用了思维链（CoT）方法，使其能够逐步解析复杂命名逻辑。

3.1 准确性
DeepSeek R1在去重数据集上达到98.6%的准确率，完整数据集更达99.9%。有趣的是，具备推理能力的模型普遍优于基础版本，如Llama 3.3 R1（95%）较原版（89%）显著提升，验证了逻辑推理在医学文本处理中的价值。

3.2 错误类型
小模型（Llama 3.3）更易犯侧向性（如左右混淆）和复数形式错误，而大模型（DeepSeek V3）则倾向于保守判断，对模糊命名直接返回"无匹配"。这种差异突显了模型规模对临床决策风格的影响——大模型更符合"宁可漏判也不错判"的医疗原则。

3.3-3.4 不确定性评估
传统提示置信度与错误的相关系数最高仅0.42，而蒙特卡洛熵值法（DeepSeek R1相关系数0.70）展现出更优的错误预警能力。这种基于概率分布的方法灵敏度达0.73，特异性完美（1.0），为自动化质检提供了新思路。

这项发表于《Physics and Imaging in Radiation Oncology》的研究具有三重突破意义：其一，首次证明开源LLMs可突破语言壁垒实现跨机构命名标准化；其二，创新的不确定性量化方法为临床部署提供了安全阀；其三，配套开源的图形化工具（GitHub可获取）大幅降低了TG-263的落地门槛。正如作者强调，虽然当前模型对靶区（PTV）命名的适应性仍需验证，但这项技术已为构建欧洲级放疗数据库扫清了关键障碍，将加速精准放疗时代的到来。