通过深度学习在小鼠模型中自动化急性皮肤毒性评分

科学领域:

• 临床前放射治疗研究研究.
• 医学成像分析分析 医学成像分析
• 人工智能在瘤学中的应用

背景情况:

• 皮肤毒性是放射治疗中常见的和不必要的副作用.
• 在临床前试验中手动评分皮肤反应可能是主观的和耗时的.
• 客观和可重复的评估方法对于评估放射治疗的疗效和安全至关重要.

研究的目的:

• 开发和验证一种新的成像和深度学习框架,用于在临床前放射治疗中客观地评估皮肤毒性.
• 将深度学习模型的性能与评估毒性的专家观察员进行比较.
• 为了解决手动评分的局限性,包括观察者之间的变化和评估时间.

主要方法:

• 创建了一个由7542张图像组成的数据集,来自160只在质子/电子辐射疗法试验中的小鼠.
• 开发了一个两步深度学习模型,包括对象检测用于后腿识别和分类用于毒性分级.
• 一项观察员研究比较了深度学习模型的表现与五位专家在回顾性数据上的得分.

主要成果:

• 后腿物体检测模型实现了近99%的准确性.
• 毒性分类模型的整体准确性约为85%.
• 与人类观察者相比,深度学习模型显示出更高的准确性和更小的错误分类距离,观察者之间的一致性很高.

结论:

• 开发的成像和深度学习系统提供了一个客观和可重复的方法,用于在临床前放射治疗中评估皮肤毒性.
• 这种系统有可能最大限度地减少观察者之间的变化,并减少手动评分的评估时间.
• 通过更大的数据集进行进一步细化,可以在临床前研究和临床放射治疗试验中进行部署.