基于对比增强计算机断层扫描图像的食道癌的深度学习用于自动粗瘤体积轮:一项多机构研究
Shuaitong Zhang1, Kunwei Li2, Yuchen Sun1
1School of Medical Technology, Beijing Institute of Technology, Beijing, China.
概括
一个人工智能工具准确地界定了食道状细胞癌 (ESCC) 患者的总瘤体积 (GTV),改善了放射治疗规划和放射学分析. 这种人工智能工具提高了轮性能,并减少了变化.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 准确地界定总瘤体积 (GTV) 对食道状细胞癌 (ESCC) 的有效放射治疗至关重要.
- 目前的手动轮测量方法耗时,容易引起观察者之间的变化.
- 人工智能提供了一个潜在的解决方案,以提高GTV划分的效率和一致性.
研究的目的:
- 开发和外部验证人工智能 (AI) 工具,用于在ESCC患者中自动划分GTV.
- 评估人工智能工具协助放射治疗治疗计划的能力.
- 评估人工智能工具在放射学分析中的实用性,用于预测治疗反应.
主要方法:
- 使用580名ESCC患者的对比增强CT图像开发了一个3D深度学习模型.
- 该模型在多个机构中进行了培训和验证.
- 人工智能性能与专家划分进行了比较,并对其对轮精度,变化和时间的影响进行了评估.
主要成果:
- 人工智能工具实现了高GTV轮性能,子相似系数 (DSC) 的中位数从0.865到0.876.
- 人工智能显著改善了专家的轮,减少了观察者内部和观察者之间的变化,分别为37.4%和55.2%.
- 人工智能生成的轮证明了放射学分析的稳定可重现性,产生与地面真相相似的治疗反应预测.
结论:
- 开发的AI工具有效地划分ESCC患者的GTV,增强轮准确性和一致性.
- 人工智能工具显示了改善放射治疗计划和简化放射学研究的巨大潜力.
- 这种人工智能解决方案可以帮助临床医生优化治疗策略和预测患者的结果.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.7K
