在放射治疗中,完全自动化的工作流程的安全性和效率可用于自动细分,使用三种商用基于深度学习的应用程序

科学领域:

• 医学物理 医学物理
• 放射治疗技术 放射治疗技术
• 人工智能在医学中的应用

背景情况:

• 放射治疗的自我细分对于有效的治疗计划至关重要.
• 当前的手动工作流程可能耗时且容易出现错误.
• 深度学习的进步为自动化解决方案提供了潜力.

研究的目的:

• 开发和评估一个标准化,完全自动的工作流程,用于放射治疗的自动细分.
• 将自动工作流程的安全性和效率与手动方法进行比较.
• 评估自动化对关键故障模式和工作流效率的影响.

主要方法:

• 使用三个商业深度学习自动细分应用程序开发了一个标准化,全自动化的工作流.
• 使用故障模式和影响分析 (FMEA) 评估了安全性.
• 效率是通过所需的鼠标点击次数来衡量的.

主要成果:

• 自动工作流显示了八种故障模式的减少,包括七种严重性因子≥7.7.
• 还减少了两种风险优先次数>125的故障模式.
• 自动工作流需要零鼠标点击,这表明显著的效率提升.

结论:

• 开发的自动化放射治疗自动细分工作流程显著提高了安全性和效率.
• 这种自动化解决了关键故障模式,并简化了细分过程.
• 这些发现支持在临床放射治疗实践中采用自动化工作流程.