在使用卷积神经网络进行子宫癌支臂治疗时,对高风险临床目标体积和有风险的器官进行自动细分
1Department of Radiation Oncology, State Key Laboratory of Complex Severe and Rare Diseases, Peking Union Medical College Hospital, Chinese Academe of Medical Sciences & Peking Union Medical College, Beijing 100730, China.
概括
一个新的卷积神经网络模型准确地界定了高风险的目标体积和子宫癌基治疗风险的器官. 这种人工智能工具显示了改善临床工作流程中的细分一致性和效率的潜力.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 放射治疗规划 放射治疗规划
背景情况:
- 图像引导的自适应式支臂疗法对于宫癌治疗至关重要.
- 对临床目标体积 (CTV) 和有风险的器官 (OAR) 的准确划分对于有效的放射治疗至关重要.
- 目前的手动划分方法可能耗时,并受到观察者之间的变化影响.
研究的目的:
- 开发和评估使用卷积神经网络 (CNN) 的自动化划分模型.
- 该模型旨在生成高风险的CTV和OAR,用于宫癌的图像引导自适应式支臂治疗.
- 评估AI产生的细分的临床可行性和一致性.
主要方法:
- 一种新的SERes-u-net模型在98名患有局部晚期宫癌的患者的CT扫描上进行了训练和验证.
- 模型的性能使用子相似系数 (DSC) 和第95百分点豪斯多夫距离 (HD) 来评估.
- 瘤学家进行了临床评估,以确定自动化细分的可接受性和一致性.
主要成果:
- 在CNN模型中,平均DSC的范围从60.4% (sigmoid) 到91.9% (膀) 之间.
- 高风险的CTV达到99.3%-100%的临床可接受性,而大多数OAR也在临床上可接受.
- 在轮一致性方面,高级和初级临床医生之间注意到了显著的观察者间变异性,初级临床医生在40%的病例中更喜欢人工智能生成的轮.
结论:
- 拟议的CNN模型证明了临床实用性,用于划分高风险的CTVs和OARs在宫癌支臂治疗中.
- 该模型有可能在图像引导的自适应式支臂疗法工作流程中提高细分的一致性和效率.
- 进一步验证和整合到临床实践中可以优化放射治疗规划和患者的治疗结果.
