对临床目标进行基于深度学习的自分类的审查卷:当前状态和未来方向

科学领域:

• 辐射瘤学 辐射瘤学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 用于辐射治疗计划的手动轮是耗时的.
• 基于深度学习的自分化 (DLAS) 模型有可能减少工作量.
• DLAS已经显示出对有风险的器官进行轮的一致性和节省时间的好处.

研究的目的:

• 评估已发表的DLAS模型对临床目标体积 (CTV) 轮的性能.
• 确定需要改进的DLAS领域,用于CTV分界.
• 讨论DLAS在CTV轮中的未来研究方向.

主要方法:

• 用关键词进行文献综述:"深度学习"",细分"或"划分"以及"临床目标量"在PubMed.
• 根据搜索标准审查了154篇文章,分析了DLAS模型,疾病部位,目标,指南和性能.
• 专注于53篇专门调查CTV的DLAS的文章.

主要成果:

• 自2020年以来,DLAS CTV出版物显著增加,其中子宫和前列腺是最受研究的.
• 大多数研究使用了Dice相似系数和Hausdorff距离作为性能指标;剂量测量性能很少被报道.
• 与手动方法相比,DLAS模型通常表现出良好的性能 (Dice>0.7) 和更快的划分速度,但仍需要一些手动编辑.

结论:

• DLAS模型在放射治疗中证明了CTV轮的效率和准确性.
• 目前的DLAS模型通常是在单个机构内开发和验证的.
• 未来的研究应该专注于更大,更多样化的数据集,多机构验证,并纳入剂量测量性能.