基于深度学习的临床目标体积轮为前列腺癌:简单有效的应用程序
Feng Wen1,2, Zhebin Chen3,4, Xin Wang1,2
1Department of Radiation Oncology, Cancer Center, West China Hospital, Sichuan University, Chengdu, China.
Journal of applied clinical medical physics
|August 9, 2024
概括
这项研究引入了一种人工智能模型,用于自动化前列腺癌放射治疗轮,显著减少划分时间,并与手动方法相比提高一致性. 深度学习方法提高了对激进和术后治疗的临床目标体积 (CTV) 定义的效率和准确性.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 辐射治疗计划 辐射治疗计划
背景情况:
- 在前列腺癌放射治疗中,临床目标体积 (CTV) 的手动细分是耗时的,容易引起观察者间的变化.
- 准确地划分CTV对于有效的辐射输送和最小化副作用至关重要.
研究的目的:
- 开发和评估基于深度学习的CTV在前列腺癌放射治疗中的自动化轮模型.
- 将人工智能模型的性能与放射瘤学家的手动划分进行比较.
主要方法:
- 通过使用197名前列腺癌患者的计算机断层扫描 (CT) 数据开发了一种包含注意力机制的深度学习模型.
- 创建了两个模型:一个用于激进放射治疗 (包括淋巴结的CTVn和前列腺的CTVp) 和一个用于术后放射治疗.
- 人工智能模型的准确性和效率与初级和高级放射瘤学家的手册划分进行了评估.
主要成果:
- 与初级医生相比,AI模型在划分CTVn和CTVp方面表现出更高或同等的准确性,由更高的体积子系数证明.
- 人工智能显著减少了划分时间,平均时间为0.23-0.26分钟,而医生则超过45分钟 (p < 0.001).
- 高级医生对人工智能生成的轮的校正时间比手工划分要短得多 (p < 0.001).
结论:
- 基于深度学习和注意力机制的自动轮模型为前列腺癌中CTV划分提供了高度一致和节省时间的解决方案.
- 这种人工智能方法可以提高放射治疗规划的效率,并可以作为培训初级放射瘤学家的宝贵工具.
