关于评估更新的基于深度学习的自动细分程序质量的方法的建议
Fumihiro Tomita1, Ryohei Yamauchi1, Shinobu Akiyama1
1Department of Radiation Oncology, St. Luke's International Hospital, Tokyo, JPN.
Cureus
|April 28, 2025
概括
商业深度学习细分 (DLS) 方法在更新后需要重新评估,因为轮准确性可能会降低,影响临床工作流程. 一种新的验证方法简化了这种质量保证过程.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 辐射瘤学 辐射瘤学
背景情况:
- 基于深度学习的自动细分 (DLS) 方法在放射瘤学中越来越多地使用.
- 对DLS工具的定期软件更新需要对其性能和准确性进行重新评估.
- 保持轮的几何精度对于有效的放射治疗计划至关重要.
研究的目的:
- 在不同软件版本中评估商业DLS方法 (AI-Rad Companion Organs RT) 产生的轮的几何精度.
- 提出一种有效的验证方法,以评估更新后的DLS性能,并减少临床负担.
主要方法:
- 通过使用计算机断层扫描 (CT) 图像,评估了28个头部和部,胸部,腹部和骨盆区域的器官轮.
- 计算子相似系数,豪斯多夫距离和AI划分和放射瘤学家定义的轮之间的平均距离.
- 在AI-Rad伴侣器官RT版本VA30,VA50和VA60中比较了轮精度.
主要成果:
- 在28个评估的轮中,有9个不符合预先定义的准确性标准.
- 在AI-Rad Companion Organs RT版本中观察到大脑,直肠和膀的轮精度有显著差异.
- 直肠轮显示更新后质量显著下降,豪斯多夫距离增加.
结论:
- 商业 DLS 方法需要不断的质量重新评估,特别是在软件更新后,以确保轮的几何精度.
- 提出的简化验证方法可以有效地评估更新后的DLS性能,同时尽量减少临床工作流程中断.
