在头癌患者中,基于商业AI的自分类算法的总失败率和失败模式
Simon W P Temple1, Carl G Rowbottom1,2
1Medical Physics Department, The Clatterbridge Cancer Centre NHS Foundation Trust, Liverpool, UK.
Journal of applied clinical medical physics
|January 24, 2024
概括
用于放射治疗的商业人工智能 (AI) 软件显示,在划分有风险的头部和部器官方面,实际失败率很低,约为1%. 失败主要是由于非标准的患者解剖学或CT扫描中的图像工件.
科学领域:
- 放射治疗和医学成像技术
- 医疗保健中的人工智能
- 医学物理 医学物理
背景情况:
- 人工智能 (AI) 在放射治疗规划中为自动化风险器官划分 (OAR) 提供了潜力,提高了效率并减少了观察者变化.
- 然而,对基于人工智能的商业软件的总失败率和特定失败模式的研究是有限的.
研究的目的:
- 调查基于人工智能的商业软件系统用于自动OAR划分的总故障率和故障模式.
- 将人工智能生成的轮与头癌患者的专家手动轮进行比较.
主要方法:
- 使用50个具有金标准轮的头 (H&N) 患者数据集来确定四个OAR (大脑干,下,左/右侧) 的预期子相似系数 (DSC) 值.
- 一个AI系统应用于500名H&N患者,将AI轮与手动轮进行比较.
- 严重故障被定义为DSC三个标准偏差低于预期平均值;真正的故障被按原因分类 (设置,解剖学,文物,未知).
主要成果:
- 在基于AI的系统中,总失败率为1.2% (24个真实失败).
- 最常见的失败原因是患者解剖学 (15例) 和牙科图像文物 (4例).
- 真正失败率因OAR而异,下显示最高率 (2.2%),脑干最低 (0.4%).
结论:
- 人工智能系统的真正故障主要与CT扫描中的非标准元素有关,这表明训练数据异质性的潜在限制.
- 尽管有失败,但H&N地区基于AI的OAR划分的总体真实失败率很低,约为1%.
