Modelo de Mundo Médico: Simulação Generativa da Evolução de Tumores para Planejamento de Tratamento

Medical World Model: Generative Simulation of Tumor Evolution for Treatment Planning

June 2, 2025

Autores: Yijun Yang, Zhao-Yang Wang, Qiuping Liu, Shuwen Sun, Kang Wang, Rama Chellappa, Zongwei Zhou, Alan Yuille, Lei Zhu, Yu-Dong Zhang, Jieneng Chen

cs.AI

Resumo

Fornecer tratamentos eficazes e tomar decisões clínicas informadas são objetivos essenciais da medicina moderna e dos cuidados clínicos. Estamos interessados em simular a dinâmica de doenças para a tomada de decisões clínicas, aproveitando os avanços recentes em grandes modelos generativos. Para isso, introduzimos o Medical World Model (MeWM), o primeiro modelo de mundo na medicina que prevê visualmente estados futuros de doenças com base em decisões clínicas. O MeWM compreende (i) modelos de visão e linguagem que servem como modelos de política, e (ii) modelos generativos de tumores como modelos de dinâmica. O modelo de política gera planos de ação, como tratamentos clínicos, enquanto o modelo de dinâmica simula a progressão ou regressão do tumor sob determinadas condições de tratamento. Com base nisso, propomos o modelo de dinâmica inversa que aplica análise de sobrevivência ao tumor simulado pós-tratamento, permitindo a avaliação da eficácia do tratamento e a seleção do plano de ação clínico ideal. Como resultado, o MeWM proposto simula a dinâmica de doenças sintetizando tumores pós-tratamento, com especificidade de ponta em testes de Turing avaliados por radiologistas. Simultaneamente, seu modelo de dinâmica inversa supera GPTs especializados em medicina na otimização de protocolos de tratamento individualizados em todas as métricas. Notavelmente, o MeWM melhora a tomada de decisões clínicas para médicos intervencionistas, aumentando o F1-score na seleção do protocolo TACE ideal em 13%, abrindo caminho para a futura integração de modelos de mundo médico como segundos leitores.

English

Providing effective treatment and making informed clinical decisions are essential goals of modern medicine and clinical care. We are interested in simulating disease dynamics for clinical decision-making, leveraging recent advances in large generative models. To this end, we introduce the Medical World Model (MeWM), the first world model in medicine that visually predicts future disease states based on clinical decisions. MeWM comprises (i) vision-language models to serve as policy models, and (ii) tumor generative models as dynamics models. The policy model generates action plans, such as clinical treatments, while the dynamics model simulates tumor progression or regression under given treatment conditions. Building on this, we propose the inverse dynamics model that applies survival analysis to the simulated post-treatment tumor, enabling the evaluation of treatment efficacy and the selection of the optimal clinical action plan. As a result, the proposed MeWM simulates disease dynamics by synthesizing post-treatment tumors, with state-of-the-art specificity in Turing tests evaluated by radiologists. Simultaneously, its inverse dynamics model outperforms medical-specialized GPTs in optimizing individualized treatment protocols across all metrics. Notably, MeWM improves clinical decision-making for interventional physicians, boosting F1-score in selecting the optimal TACE protocol by 13%, paving the way for future integration of medical world models as the second readers.