渐进的再培训,临床实施和深度学习的接受率为男性骨盆的自我细分在多用户环境中
Jingwei Duan1,2, Carlos E Vargas1, Nathan Y Yu1
1Department of Radiation Oncology, Mayo Clinic Arizona, Phoenix, Arizona, USA.
Medical physics
|June 8, 2023
概括
商业深度学习自行细分 (DLAS) 软件与增量再培训显著改善了前列腺癌治疗的界限准确性. 这种基于人工智能的方法在多用户环境中提高了医生接受度和临床实用性.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 放射治疗规划 放射治疗规划
背景情况:
- 深度学习自分类 (DLAS) 模型在临床实践中面临性能问题,原因是变性.
- 商业DLAS软件使用机构数据提供增量再培训,以应对这种变化.
研究的目的:
- 评估和实施商业DLAS软件,以逐步重新培训前列腺癌的终极治疗.
- 评估在多用户临床环境中的性能.
主要方法:
- 利用215名前列腺癌患者的CT扫描来划分器官.
- 验证了三个商业DLAS内置模型,并使用机构数据开发了一个定制的再培训模型.
- 使用子相似系数 (DSC),豪斯多夫距离 (HD),平均表面距离 (MSD) 和表面DSC (SDSC) 来量化评估性能,并进行盲目的多级定性评估.
主要成果:
- 与内置模型相比,重新训练的定制DLAS模型显示前列腺 (0.82),精液囊 (0.48) 和直肠 (0.92) 的DSC显著改善.
- 实现了91.3%的接受率,与8.7%的共识不可接受率相比,可与手工轮相提并论.
- 识别了故障模式,包括囊囊图,关节假肢和臂疗种子.
结论:
- 商业 DLAS 软件具有增量再培训,已被验证并被临床采用用于前列腺癌患者.
- 基于人工智能的自动划分证明了医生接受度,临床实用性和前列腺和危险器官的准确性得到了改善.
- 这项技术提高了多用户环境中的放射治疗规划和交付.
