基于深度学习的辐射疗法的自分类:当前的发展,临床考虑和未来的方向

科学领域:

• 医学物理 医学物理
• 人工智能的人工智能
• 辐射疗法 辐射疗法

背景情况:

• 人工智能 (AI) 中的深度学习神经网络 (DLNN) 越来越多地用于放射治疗 (RT) 中的自动细分.
• 与治疗计划系统 (TPS) 集成的商业AI自动细分工具提供了诸如减少手动轮工作量和规划时间等好处.
• 尽管在研究环境中准确度很高,但在将这些AI模型应用于多样化和不受控制的临床环境中存在挑战.

研究的目的:

• 评估商业AI自分类工具在放射治疗中的临床利用和潜力.
• 解决使用人工智能的临床试验中标准化轮命名法和指导方针的挑战.
• 为实施AI自动细分工具提供建议,同时承认它们的局限性.

主要方法:

• 评估用于自动细分的内部和商业可用的AI模型.
• 使用定义的指标对AI模型性能进行评估.
• 在现实环境中分析与人工智能自行细分相关的临床挑战和局限性.

主要成果:

• 人工智能自行细分有潜力减少临床试验中观察者间的变化,命名法不合规以及轮准则偏差.
• 人工智能工具可以帮助试验审查员验证提交的轮数据集的准确性和合规性.
• 商业人工智能工具简化了工作流程,但需要仔细考虑各种临床场景.

结论:

• NRG瘤学已经组建了一个工作组,以评估商业AI自行细分工具的临床实用性和潜力.
• 为在临床实践中实施这些AI模型提供了建议和预防措施.
• 需要进一步开发,以应对AI在不受控制的临床环境中自我细分的挑战和局限性.