在癌症中心网络中评估一个深度图像对图像网络 (DI2IN) 自动分割算法
Kareem Rayn1,2, Vibhor Gupta3, Suneetha Mulinti3
1Department of Radiation Oncology, Columbia University Irving Medical Center, New York, USA.
Journal of cancer research and therapeutics
|July 18, 2024
概括
这项研究表明,针对有风险的器官 (OARs) 自动分割的AI算法获得了超过95%的医生认可,证明了其对高效和标准化的放射治疗计划的潜力.
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:
- 手动风险器官 (OAR) 轮在放射治疗中提出了挑战.
- 传统的基于地图集的自动细分方法是计算密集的.
- 深度学习为自动细分提供了更高的准确性和效率.
研究的目的:
- 为了评估一个新的AI算法,AI-Rad Companion Organs RT (AIRC),用于自动细分OARs.
- 在多个机构中评估AI生成的OAR轮的临床可用性.
- 将深度图像对图像网络 (DI2IN) 的性能与以前的方法进行比较.
主要方法:
- AIRC使用两步深度强化学习和DI2IN方法进行细分.
- 展望评估涉及7个机构的156名患者和1366个轮.
- 十一位放射瘤学家在四分级上对轮的可用性进行了评分.
主要成果:
- 超过95%的人工智能生成的轮被医生接受 (评分为3或4).
- 平均轮评分为3.6,其中19个结构的平均评分为3.5或更高.
- 对于肺部,脊髓和眼球等关键的OAR观察到高接受率.
结论:
- 该AIRC算法展示了高性能和临床接受的OAR自分类.
- 人工智能驱动的轮支持完全自动化的工作流程,提供潜在的时间节省.
- 这项技术可以提高辐射治疗规划的标准化和质量.
