临床验证基于深度学习的商业自分类模型,用于头部和部区域的有风险的器官:单一机构的研究

科学领域:

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

背景情况:

• 精确的风险器官划分 (OAR) 对于有效的头癌 (HNC) 放射治疗计划至关重要.
• 手动对OAR进行轮测定是耗时的,并且受观察者之间的变化影响.
• 基于深度学习的自动细分 (DLAS) 为提高OAR轮效率和一致性提供了一个潜在的解决方案.

研究的目的:

• 评估两种商业DLAS工具在头部和部计算机断层扫描 (CT) 图像中的OAR自分区的性能.
• 在临床环境中,将DLAS工具的准确性和效率与专家手动轮进行比较.
• 评估DLAS在简化放射治疗规划工作流程方面的临床实用性.

主要方法:

• 临床医生手动对22个OAR进行了轮,用于规划40个HNC病例的CT图像.
• 两个DLAS模型,Manteia AccuContour和MIM ProtégéAI,被用来生成自动轮 (AC).
• 使用Sørensen-Dice相似系数 (DSC) 和平均距离 (MD) 度量,AC与专家轮 (EC) 进行了比较.

主要成果:

• 这两种DLAS工具都显著减少了轮生成时间 (AccuContour为1分钟/患者,ProtégéAI为5分钟/患者).
• 在下部 (DSC ~0.90-0.91) 观察到AC和EC之间的高度一致性.
• 对于 (DSC ~0.28-0.30) 发现了较低的一致性,平均MDs根据OAR和使用的工具而有所不同.

结论:

• DLAS工具对于快速生成头部和部区域的OAR轮非常有价值,有助于临床工作流程.
• 在直接实施治疗计划之前,可能需要手动编辑DLAS生成的轮.
• 对于当前的DLAS解决方案来说,像神经这样的小,低对比度的结构仍然具有挑战性,需要进一步开发.