对于RTOG 0933的轮质量保证的深度学习:体评估
Evan M Porter1, Charles Vu2, Ina M Sala3
1Department of Medical Physics, Wayne State University, Detroit, MI, United States.
概括
一个深度学习 (DL) 模型用于海马细分,在一个机构接受培训,在多个机构的质量保证 (QA) 中被证明是有效的. 这证实了其在多机构试验中用于一致的轮的有效性.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 辐射瘤学 辐射瘤学
背景情况:
- 精确的海马细分对于放射治疗计划至关重要,以最大限度地降低对有风险的器官的剂量.
- 目前的多机构试验在不同中心保持一致的轮质量方面面临挑战.
- 深度学习 (DL) 模型为自动化和标准化细分任务提供了潜在的解决方案.
研究的目的:
- 为了验证基于CT的深度学习 (DL) 模型,用于在单个机构数据上训练的海马体细分.
- 评估DL模型对多机构轮质量保证 (QA) 的实用性.
主要方法:
- 一个DL模型被训练在机构观察员 (IO) 轮从大脑MRI.
- 该模型在RTOG 0933数据集上进行了评估,将DL轮与治疗医生 (TP) 和IO轮比较,使用Dice和Hausdorff距离 (HD).
- 使用HD>7mm和Dmax>17 Gy标准量化DL模型检测规划差异的能力.
主要成果:
- 与TP轮 (Dice 62%/65%) 相比,DL模型与IO轮 (Dice 74%/73%) 的一致性更高.
- 30%的轮和53%的剂量计划失败了QA.
- 在识别QA失败时,DL模型实现了高AUC值 (0.80/0.79为轮,0.91为剂量).
结论:
- 一个单一机构训练的DL模型是可行的多机构轮QA在海马细分.
- 在多机构放射治疗试验中,DL模型在提高一致性和识别差异方面表现有前途.
- 这种方法可以提高大规模临床研究数据和结果的可靠性.
