量化和可视化基于深度学习的细分中的不确定性,用于放射治疗治疗计划:放射瘤学家和治疗师想要什么?

科学领域:

• 放射治疗 物理 物理
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 深度学习 (DL) 细分在放射治疗中被广泛使用,但需要大量的临床医生时间来评估和纠正.
• 在DL细分中的不确定性可视化可以帮助临床医生,但最佳的呈现方法尚不清楚.

研究的目的:

• 收集放射瘤学家和治疗师对DL细分的偏好不确定性可视化选项的见解.
• 确定临床医生需要简化DL产生的细分的评估和纠正.

主要方法:

• 通过DL细分,在四个机构与16名临床医生进行了结构化访谈.
• 提出并评估了十种不确定性可视化选项 (结构,切片,voxel;二进制,连续;有/没有剂量计信息).

主要成果:

• 临床医生倾向于二进制的voxel级不确定性可视化,其次是二进制结构级可视化.
• 结构级和voxel级可视化的组合被认为是有前途的.
• 剂量计信息的实用性各不相同,对线上适应性放射治疗有潜在的好处.

结论:

• 确定了临床医生对DL细分不确定性可视化方法的偏好.
• 进一步细化这些偏好对于成功的AI工具在放射治疗中的临床实施至关重要.