基于AI的新型深度学习轮算法用于放射治疗的可行性评估

科学领域:

• 辐射疗法 辐射疗法
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 准确地划分有风险的器官 (OAR) 对于有效的放射治疗规划至关重要.
• 手动对OAR进行轮测定是耗时的,并且受观察者之间的变化影响.
• 人工智能驱动的自动轮工具旨在提高放射治疗工作流程的效率和一致性.

研究的目的:

• 评估西门子HealthineersAI-Rad伴侣器官RT (器官-RT) 自动轮算法的临床可行性.
• 评估Organs-RT对骨盆,胸部和头部和部 (H&N) 区域的OAR自动轮的准确性.
• 与手动轮相比,测量Organs-RT算法的时间节约效率.

主要方法:

• 使用了来自30名患者的计算机断层扫描 (CT) 数据集 (10个骨盆,10个胸部,10个H&N).
• 器官-RT生成了自动轮,与三个独立的专家人类用户进行了比较.
• 使用子相似系数 (DSC),豪斯多夫距离 (HDD),平均一致距离 (mDTA) 和医生视觉检查来评估轮的准确性.
• 通过记录手动划分时间来衡量节省时间的效率.

主要成果:

• 对膀,心脏,肺部和大腿骨头等OAR观察到高一致性 (DSC ≥0.92).
• 对于直肠,食道和嘴唇,观察到较差的一致性 (DSC ≤ 0.81).
• 节省时间的效率为H&N的67%,骨盆的83%,胸部的84%.
• 临床可用性得分表明,72.5% (骨盆),82% (胸部) 和50% (H&N) 的器官-RT轮被认为可以使用,编辑最小或没有.

结论:

• 器官-RT算法显示了作为放射治疗中的自动轮工具的临床可行性.
• 它有效地减少了轮时间,并提高了节省时间的效率.
• 虽然OAR的协议有所不同,但该工具在放射治疗治疗计划方面提供了显著的好处.