开发和全面评估一个基于DBCG共识的国家淋巴结水平在乳腺癌放射治疗中的淋巴结水平的DBCG基于共识的自细分模型

科学领域:

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

背景情况:

• 准确地界定节点临床标体积 (CTVn) 对高风险乳腺癌 (BC) 放射治疗至关重要.
• 目前的手动划分方法受到观察者间变化 (IOV) 的约束.
• 希望在全国范围内实施先进的自动细分工具.

研究的目的:

• 培训和验证多机构深度学习 (DL) 自动细分模型,用于高风险BC的CTVn.
• 评估DL模型的性能与专家划分和IOV相比.
• 评估DL生成的分段在丹麦国家实施的临床接受度.

主要方法:

• 来自丹麦所有放射治疗中心的21BC专家创建了一个黄金标准数据集,遵守ESTRO指南.
• 四个DL模型被训练为不同的CTVn横向性和内部乳腺节扩展.
• 模型使用子相似系数 (DSC) 进行了定量评估,并由国家委员会进行了定性评估,将DL与手动划分进行了比较.

主要成果:

• 大多数车型的DSC中位数超过0.7,表明性能良好.
• 在36%的案例中,DL结构需要"没有纠正",与手动划分 (34%) 相比.
• 在专家组的观察者间变化中执行的DL模型,在定性评估中比手工划分更受欢迎.

结论:

• 在国家共识队列上成功开发了用于CTVn自分类的多机构DL模型.
• DL模型的表现与专家观察者之间的变化相当.
• 与专家手册的界定相比,DL模型获得了同等或更高的临床接受度,支持了国家实施.