自动和手动喉和下喉瘤大体体积划分之间的可比性表现与病理验证
Koen M Kuijer1, Hilde J G Smits2, Patricia A H Doornaert2
1Department of Radiotherapy, University Medical Center Utrecht, Utrecht, The Netherlands; Technical Medicine, University of Twente, Enschede, The Netherlands.
International journal of radiation oncology, biology, physics
|January 9, 2025
概括
深度学习模型在头癌中显示出一致的总瘤体积 (GTV) 划分的前景. 这项研究验证了对病理学的深度学习模型,发现其性能与手动划分相比,可以提高放射治疗效率.
科学领域:
- 在瘤学瘤学.
- 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) 在头癌中提供了可重现和高效的瘤总体积 (GTV) 划分的潜力.
- 目前的模型评估依赖于手动划分,这是主观的,可以高估瘤大小.
研究的目的:
- 用病理学作为基本事实来验证DL模型用于喉和喉下GTV细分.
- 为了比较DL模型的性能与临床医生的手动划分.
主要方法:
- 通过对193名患者的临床GTV划分来训练DL模型.
- 验证使用了18名基于组织病理学的瘤划分的患者作为基底真理.
- 在量化和质量上对手工界限进行了性能评估.
主要成果:
- DL和手动划分显示了可比的灵敏度 (0.90对0.91) 和临床目标体积边缘.
- 在正预测值 (0.52与0.61,P = .03) 中发现了显著差异.
- 这两种方法都产生了类似的GTV大小和临床可接受率 (67%自动 vs 63%手动).
结论:
- DL模型取得的结果与手动GTV划定喉和下喉癌的结果相似.
- 这突显了DL在提高放射治疗工作流程的一致性和效率方面的潜力.
