用人工智能辅助的定量CT分析,以SABR为中心肺部瘤,对呼吸道变化进行SABR分析

科学领域:

• 医疗成像医学成像
• 辐射瘤学 辐射瘤学
• 人工智能的人工智能

背景情况:

• 对于中部肺部瘤的立体除性辐射疗法 (SABR) 与晚期肺毒性发生率的35%有关.
• 量化SABR后的支气管变化对于理解和减轻毒性至关重要.

研究的目的:

• 用基于人工智能 (AI) 的气道细分来评估自动化评分方法,以量化肺 SABR 后的支气管变化.
• 与视觉评估相比,评估AI在检测气道狭窄/堵塞方面的有效性.

主要方法:

• 使用MEDPSeg深度学习模型的基于AI的气道自分割被应用于接受肺SABR治疗的患者的CT扫描.
• 3D Slicer中的血管建模工具包被用于提取气道测量.
• 自动评分与内部数据集 (阿姆斯特丹UMC) 的视觉评估进行了验证,并应用于外部数据集 (彼得·麦卡勒姆癌症中心).

主要成果:

• 在内部数据集中,自动评分几乎使呼吸道狭窄/堵塞的检测几乎翻了一番 (58%对比31%视觉).
• 人工智能允许在8名视觉识别患者中的5名早期检测出狭窄.
• 在外部数据集中,自动化方法检测到52%的气道狭窄/闭塞,分别为56%和61%的1年和2年的风险.

结论:

• 一种基于人工智能的自动评分方法有效地检测出更多的支气管狭窄/支气管封闭,而肺部SABR.
• 这种人工智能工具有助于更早地检测气道变化,这对于确定可靠的气道耐受剂量至关重要.
• 该方法有望通过更精确的辐射治疗计划来改善患者的治疗结果.