関連する実験動画
Updated: Jun 1, 2026
06:48
Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images
Published on: January 7, 2019
9.0K
8 つの商用ソフトウェアプラットフォームを使用して,複数の解剖学的なサイトでAIベースの臓器分割の定量評価
Lulin Yuan1, Quan Chen2, Hania Al-Hallaq3
1Virginia Commonwealth University, Richmond, VA.
Practical radiation oncology
|August 25, 2025
まとめ
商業的なAIソフトウェアは,リスクのある臓器 (OAR) のセグメント化において,臨床実務に影響を及ぼす重要な変動を示しています. AIのセグメント化ツールには 徹底したテストと品質保証が不可欠で 信頼性の高い患者ケアを保証します
科学分野:
- 医学画像分析
- 医療における人工知能
- 放射線治療の計画
背景:
- 人工知能 (AI) を使用したリスクのある臓器の自動セグメンテーション (OAR) は,放射線治療の計画における潜在的な効率の向上を提供します.
- しかし,AIソフトウェアの性能の変動は,臨床実施前に慎重に評価する必要があります.
研究 の 目的:
- 様々な解剖学的な場所における 8 つの商用AIソフトウェアプラットフォームのセグメンテーションの正確性と可変性を評価する.
- 複数のメトリクスを使って 臨床標準とAIで生成されたコントールを比較します
- AIベースのOARセグメンテーションの臨床採用を推奨する.
主な方法:
- 頭と首,胸部,腹部,骨盤の160の計画CTデータセットの遡及分析
- ダイス類似度係数 (DSC),ハウズドルフ距離 (HD95) および相対追加経路長 (RAPL) を使用して,AIソフトウェアによってセグメント化された31のOARの評価.
- ソフトウェア間および患者間の変動性を定量化するために,二要素ANOVAを用いた統計分析.
主要な成果:
- OARセグメンテーションの精度におけるソフトウェア間および患者間の大幅な変動が観察された (p<0. 05).
- DSCの最も大きなソフトウェア間変動は,頸腸食道 (0. 41),気管 (0. 10),脊髄 (0. 13),前立腺 (0. 17) で観察された.
- セグメンテーションの精度は様々で,7つのOARは平均DSC>0. 9を達成し,15つは0. 7から0. 89の間で,他のものは0. 7未満でした. OARの半数以上 (52%) がRAPL < 0. 1を示した.
結論:
- AIベースのOARセグメンテーションソフトウェアは,異なるプラットフォームと患者の解剖学におけるパフォーマンスの有意な変動を示しています.
- これらの発見は,厳格なソフトウェアの委任,検証,継続的な品質保証の必要性を強調しています.
- 標準化されたテストプロトコルの実装は,AIセグメンテーションツールの安全で効果的な臨床統合に不可欠です.
