基于深度学习的不确定性地图在肺癌细分中的临床评估

科学领域:

• 医学成像和放射瘤学医学成像和放射瘤学
• 医疗保健中的人工智能
• 计算病理学计算病理学

背景情况:

• 准确地界定总瘤体积 (GTV) 和有风险的器官 (OAR) 是辐射治疗规划的关键.
• 手动轮是耗时的,并且受到观察者之间的变化影响.
• 深度学习 (DL) 模型提供自动轮,但GTVs缺乏可靠性,需要研究概率方法.

研究的目的:

• 开发和临床验证3D概率深度学习系统,用于在肺癌CT细分中生成不确定性图.
• 评估基于DL的轮测定中不确定性估计的实际实施和临床实用性.
• 引入新的指标来量化细分不确定性和指导临床审查.

主要方法:

• 开发了一个利用蒙特卡洛 (MC) 掉落的3D概率系统,用于生成基于DL的不确定性图.
• 使用可靠性图表进行评估模型校准.
• 与放射瘤学家进行了临床验证,并提出了平均不确定性 (MU) 和相对不确定性体积 (RUV) 度量.

主要成果:

• 不确定性映射有效地识别了肺癌CT细分的低和过度轮.
• 在临床意见和MU指标之间观察到强烈的相关性,尽管模型过度自信.
• MU和RUV显示出高AUC值,用于区分低不确定性和高不确定性病例.

结论:

• 这项研究代表了对基于DL的辐射治疗轮不确定性估计的早期临床验证.
• 拟议的MU和RUV指标显示出作为临床医生独立评估DL细分质量的指标的巨大潜力.
• 在DL模型中的不确定性量化对于提高自动化轮工具的可靠性和临床采用至关重要.