预期部署的深度学习支持的自动化质量保证工具,用于瘤息性脊柱放射治疗
Christopher E Kehayias1, Dennis Bontempi2, Sarah Quirk1
1Department of Radiation Oncology, Brigham and Women's Hospital, Dana-Farber Cancer Institute, Harvard Medical School, Boston, MA, USA.
The Lancet. Digital health
|December 26, 2024
概括
一个新的深度学习系统DL-SpiQA自动化了脊柱放射治疗的质量保证,大大减少了错误. 这种人工智能工具通过准确检测错误水平的治疗和解剖变异来提高患者的安全性.
科学领域:
- 医学物理 医学物理
- 人工智能在医学中的应用
- 辐射疗法质量保证 辐射疗法质量保证
背景情况:
- 息性脊柱辐射疗法在错误的解剖水平上容易导致治疗错误.
- 开发自动化系统对于提高辐射输送的安全性和准确性至关重要.
- 现有的质量保证方法可能无法充分解决脊柱解剖学和治疗向的复杂性.
研究的目的:
- 开发和评估基于深度学习的全自动化系统 (DL-SpiQA),用于检测脊柱放射治疗中错误的解剖层次治疗.
- 评估系统在识别治疗错误,解剖变异和细分不准确性方面的表现.
- 通过先进的质量保证,提高息性脊柱放射治疗的安全性和精度.
主要方法:
- 使用TotalSegmentator开发DL-SpiQA,用于CT图像上的自动脊椎细分.
- 计算了每个脊椎的辐射剂量,并标记了潜在的错误水平治疗.
- 通过对患者历史数据进行追溯验证,并在15个月内进行前性验证.
- 手动审查标记的案例以确定目标准确性,解剖变异和AI细分错误.
主要成果:
- 在513名患者的回顾性测试中,发现了一个错误的治疗水平和三次近乎失误,错误阳性率为4%.
- 在520个案例的前景部署中,检测到6个文档错误,并确认了43个变体解剖病例.
- 据估计,假阴性率为0.03%,这表明它的准确性很高.
- DL-SpiQA成功地向相关人员通报了所有检测到的错误和变体.
结论:
- DL-SpiQA是一种有效的,人工智能驱动的,用于脊柱放射治疗的自动化质量保证工具.
- 该系统准确地识别了解剖变异和准错误,提高了患者的安全性.
- 为了更广泛的临床采用,建议进行进一步的外部验证和系统定制.
