针对恶性淋巴结细分和检测的深度学习:一篇综述
Wenxia Wu1, Adrien Laville1, Eric Deutsch1
1Unité Mixte de Recherche (UMR) 1030, Gustave Roussy, Department of Radiation Oncology, Université Paris-Saclay, Villejuif, France.
Frontiers in immunology
|May 13, 2025
概括
本综述探讨了用于细分恶性淋巴结的深度学习,这是癌症治疗计划中的关键一步. 它强调了进展和挑战,旨在提高瘤学的精度和效率.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 放射治疗规划 放射治疗规划
背景情况:
- 手动对OAR,瘤和淋巴结进行细分至关重要,但耗时且容易出现错误.
- 深度学习显示出对自动细分的承诺,有很多关于OAR和瘤的研究.
- 对恶性淋巴结细分的深度学习的全面审查是有限的.
研究的目的:
- 为恶性淋巴结细分和检测提供深度学习进步的深入审查.
- 分析五个临床场所的模型和结果.
- 识别当前的挑战和该领域的未来趋势.
主要方法:
- 深度学习方法的概述.
- 检查用于淋巴结细分和检测的特定深度学习模型.
- 分析了头部和部,上肢,胸部,腹部和骨盆的结果.
主要成果:
- 深度学习模型显示了自动化恶性淋巴结细分的潜力.
- 该审查综合了当前的研究,确定了关键模型及其性能.
- 讨论了临床应用的挑战和未来方向.
结论:
- 深度学习提供了一种途径,通过改进淋巴结细分来提高癌症治疗规划的精度和效率.
- 应对当前的挑战对于将这些AI工具整合到临床实践中至关重要.
- 这篇评论弥合了文献上的差距,特别关注恶性淋巴结的AI.
