审计基于深度学习的临床使用在放射治疗中面临风险的器官自我细分的临床应用

科学领域:

• 辐射瘤学 辐射瘤学
• 医学成像医学成像
• 医疗保健中的人工智能

背景情况:

• 深度学习自行细分 (DLAS) 提供了在放射治疗中自动化风险器官 (OAR) 轮的潜力.
• 准确的OAR划分对于有效的治疗计划和最大限度地减少对健康组织的辐射剂量至关重要.

研究的目的:

• 为了审核DLAS对OAR轮编辑的临床影响,超过18个月.
• 评估DLAS实施后的轮精度和编辑频率的变化.
• 识别影响编辑模式的因素,并评估异常情况.

主要方法:

• 对多个瘤部位的1255名患者进行OAR轮编辑的前性审计.
• 使用平均表面-迪斯相似系数对轮精度的分析.
• 量化未经编辑的OAR和评估编辑模式的时间.

主要成果:

• 平均表面-迪斯相似系数从0.87提高到0.97.
• 未经编辑的OAR的比例从21.5%增加到40%.
• 编辑变化与DLAS模型更新,当地实践变化以及临床上无关紧要领域的编辑减少相关.

结论:

• DLAS显著提高了OAR轮精度,并减少了临床实践中手动编辑的要求.
• 持续的审计对于监测DLAS性能,适应变化,并确保最佳的治疗规划至关重要.
• 实施DLAS简化了放射治疗工作流程,并改善了轮一致性.