针对深度学习的综合临床可用性导向轮质量评估自动细分:通过机器学习结合多种定量指标
Ying Zhang1, Asma Amjad2, Jie Ding3
1Department of Radiation Oncology, Medical College of Wisconsin, Milwaukee, Wisconsin; Department of Radiation Oncology, University of Texas Southwestern Medical Center, Dallas, Texas.
Practical radiation oncology
|September 5, 2024
概括
本研究引入了一种新型的轮质量分类 (CQC) 方法,用于评估基于深度学习的自动细分 (DLAS) 的自动细分轮. 该CQC方法准确地评估了轮质量,提高了临床可用性,并解决了当前指标的局限性.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 放射学和辐射瘤学 放射学和辐射瘤学
背景情况:
- 目前用于自动细分轮质量的指标在反映临床有用性方面存在局限性.
- 需要改进的方法来评估基于深度学习的自动细分 (DLAS) 产生的轮质量.
研究的目的:
- 开发一种新的轮质量分类 (CQC) 方法,用于以临床可用性为导向的DLAS评估.
- 将多个定量指标结合到一个单一的分类系统中.
主要方法:
- 开发了一种CQC方法,使用7个定量指标的监督集合树分类模型.
- 使用MRI数据训练了5个腹部器官的特定器官模型.
- 在独立的MRI和CT数据集上验证的模型,与观察者间变化 (IOV) 和基于值的方法进行比较.
主要成果:
- 实现了高性能,平均AUC为0.982 ± 0.01 (MRI) 和0.979 ± 0.01 (CT).
- 证明了高平均精度 (MRI的95.8%±1.7%,CT的94.3%±2.1%) 和低风险率.
- CQC的结果与IOV非常相匹配,并且显著优于基于值的方法.
结论:
- 在分类轮切片质量方面,CQC模型表现出高性能.
- 这种方法为DLAS的临床评估提供了直观和全面的解决方案.
- CQC解决了现有指标的局限性,提高了临床效用.
