完全自动化的在线自适应性辐射疗法,使用人工智能对宫癌进行决策

科学领域:

• 辐射瘤学 辐射瘤学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 宫癌辐射疗法的折射变化需要在线适应性辐射疗法 (oART).
• 目前的oART适应决定依赖于主观的医生审查,导致变化和效率低下.
• 本研究探讨了人工智能有助于oART决策的潜力.

研究的目的:

• 开发和评估机器学习 (ML) 和深度学习 (DL) 模型,用于用于宫癌的oART的自动决策支持.
• 为了比较人工智能模型的性能与医生在识别需要适应的治疗部分的共识.

主要方法:

• 利用了24名接受oART (671个分数) 的宫癌患者的数据.
• 开发了使用形态,灰度和剂量学特征的ML模型,以及基于成像,轮和剂量的DL模型 (罗网络).
• 评估模型使用5倍交叉验证和独立测试集,比较性能指标 (AUC,精度,精度,回忆) 与辐射瘤学家的共识.

主要成果:

• 深度学习模型,特别是DL_C (成像和轮),超越了ML模型和医生共识.
• DL_C实现了0.917的AUC,准确度,精度和回忆分别为0.869,0.860和0.881.
• 与医生共识相比,人工智能模型显示出更高的预测准确性和回忆力,这表明需要适应性重新规划的分数的识别得到了改进.

结论:

• 机器学习和深度学习模型显示出作为子宫癌oART的决策支持工具的希望.
• 这些人工智能模型可以帮助临床医生触发适应性重新规划工作流程,潜在地提高治疗效率和结果.
• 该研究强调了使用人工智能的可行性,以减少oART适应决策中的观察者间变异性.