应用同时不确定性量化和细分的口腔癌用例与贝叶斯的深度学习的应用

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 放射治疗瘤学 放射治疗瘤学

背景情况:

• 放射治疗对于口腔大癌 (OPC) 治疗至关重要.
• 在OPC中手动对原发性瘤总体积 (GTVp) 的细分显示出显著的观察者间变异性.
• 需要自动化工具来提高临床工作流程的一致性和可靠性,准确的不确定性量化是至关重要的.

研究的目的:

• 开发和评估一种不确定性意识的深度学习方法,用于OPC中细分GTVp.
• 证明不确定性量化在提高细分精度和识别细分失败方面的实用性.
• 为将不确定性估计纳入OPC放射治疗临床决策提供基础.

主要方法:

• 为OPC GTVp细分提出了一个不确定性意识的深度学习框架.
• 评估了两个贝叶斯深度学习 (BDL) 模型和八个不同的不确定性指标.
• 使用了包括292个PET/CT扫描在内的综合多机构数据集进行系统分析.

主要成果:

• 基于不确定性的方法在预测深度学习细分的质量方面取得了86.6%的准确性.
• 有效地确定了细分性能较低的案例,从而实现了半自动校正.
• 在扫描中成功可视化了可能不准确的细分区域.

结论:

• 开发的基于贝叶斯深度学习 (BDL) 的分析在OPC GTVp细分的不确定性量化方面取得了重大进展.
• 这项工作是迈向更广泛地采用不确定性估计在OPC临床放射治疗规划中的关键第一步.