评估前列腺癌放射治疗中基于深度学习的自我细分的剂量学影响:对现实世界的临床实施和观察者间变异性的洞察

科学领域:

• 辐射瘤学 辐射瘤学
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 临床目标体积 (CTV) 和风险器官 (OAR) 的准确划定对于有效的前列腺癌放射治疗计划至关重要.
• 手动轮是耗时的,并且受到观察者之间的变化,可能会影响治疗的一致性和结果.
• 深度学习 (DL) 提供了一种有希望的方法来自动化和标准化这个划分过程.

研究的目的:

• 评估基于深度学习的CTV和OAR自动轮系统在前列腺癌放射治疗中的剂量影响.
• 为了比较自动轮系统的几何精度与在人类专家中观察到的专家间变异性.
• 评估DL自动轮的潜力,以简化临床工作流.

主要方法:

• 分析了28名前列腺癌患者的CT数据集,每个数据集都有原始手动轮 (OC),自动细分轮 (AC) 和专家手动轮 (EC).
• 无论是3D-符合辐射疗法 (3D-CRT) 还是强度调节辐射疗法 (IMRT) 计划都为每个轮集生成.
• 剂量测量特征,几何精度 (使用马分析) 和轮时间在不同的轮方法中进行了比较.

主要成果:

• 与膀,右大腿骨头和左大腿骨头的手动轮相比,自动轮表现出较小的几何差异.
• 通过PTV剂量指标 (例如D95) 和OAR剂量评估的剂量计准确性,在3D-CRT和IMRT计划中,自动和手动轮之间是可比的.
• 自动划线大大减少了划线时间,从手动方法的平均24.9分钟到自动化方法的0.53分钟.

结论:

• 深度学习的自动轮系统有效地减少了专家间的变化,并实现了与黄金标准手动轮相当的剂量测量精度.
• 该系统证明了前列腺癌放射治疗的临床可行性,对PTV和OAR剂量的影响最小,从而简化了临床工作流程.
• 这项技术具有显著的潜力,可以提高辐射治疗规划的效率和一致性.