对开源与商业基于人工智能的分段模型进行比较分析,用于在线自适应性MR导向放射治疗

科学领域:

• 放射治疗和医学成像技术
• 医疗保健中的人工智能
• 医学物理 医学物理

背景情况:

• 在线自适应磁共振引导放射治疗 (MRgRT) 通过适应日常解剖变化,提供精确的瘤向.
• 对风险器官 (OAR) 和瘤的准确注释对于在线计划适应至关重要,但仍然是一个挑战.
• 由于缺乏经过验证的开源替代方案,商业细分解决方案经常被使用.

研究的目的:

• 评估开源AI细分网络的性能与在线自适应MRgRT中的盆腔解剖商业解决方案相比.
• 确定开源AI是否可以与商业系统的注释准确度相匹配,当在相同的数据集上进行训练时.
• 评估开源AI在线自适应性放射治疗工作流程中的临床实用性和效率.

主要方法:

• 开发了一种内部人工智能细分模型 (nnU-Net),并使用47名骨盆患者的手动轮MR图像重新训练了一种商业解决方案.
• 量化比较内部AI (iAIC) 和商业AI (cAIC) 轮与地面真实轮 (GTC) 使用子相似系数 (DSC),豪斯多夫距离 (HD95) 和表面DSC (sDSC).
• 由放射瘤学家在线自适应工作流中使用利克特尺度对人工智能生成轮的可用性进行了定性评估.

主要成果:

• 与商业AI (cAIC) (152秒) 相比,内部AI (iAIC) 实现了显著更快的注释时间 (23秒).
• iAIC和cAIC都表现出高的细分精度,OAR/目标的中位数DSC值约为0.87/0.83,骨结构约为0.90/0.91.
• 定性评估显示,84.8%的IAIC轮在临床上是可以接受的,只有12.9%需要微小的调整.

结论:

• 开源人工智能细分框架可以在线自适应MRgRT中实现与骨解剖的商业解决方案相比较的注释精度.
• 开发的开源框架保持了高细分性能,并通过减少推理时间显著提高了临床工作流效率.
• 开源人工智能框架代表了适应性放射治疗监督临床工作流程中商业系统的可行和高效替代方案.