一个全面的多面技术评估框架,用于在放射治疗中实施自分类模型
Robert Poel1, Elias Rüfenacht2, Stefan Scheib3
1Department of Radiation Oncology, Inselspital, Bern University Hospital, and University of Bern, Bern, Switzerland. robert.poel@insel.ch.
Communications medicine
|July 31, 2025
概括
一个新的框架验证了放射治疗中的自动细分,显示它更快,更准确. 这种方法确保了对有风险的器官进行深度学习工具的可靠临床实施.
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:
- 在放射治疗中手动风险器官轮是一个漫长的过程,每位患者需要1-4小时.
- 基于深度学习的自动细分提供了一个潜在的解决方案,但需要强有力的验证.
- 目前用于自动细分的评估方法缺乏标准化和全面评估.
研究的目的:
- 引入一个全面的多面技术评估框架,用于验证放射治疗中的自动细分模型.
- 评估自动细分模型的几何准确性,临床可接受性,时间效率和剂量影响.
主要方法:
- 开发了一个整合定量几何,定性专家,时间效率和剂量测量评估的框架.
- 将框架应用于风险大脑器官的内部自动细分模型.
- 通过使用100例病例的数据和来自4个机构的8名放射瘤学专家的反来评估该模型.
主要成果:
- 自动细分模型实现了0.78的几何准确性,超过了手动计量器之间的变化.
- 88%的自动细分结构被专家认为是临床上可接受的,需要进行轻微的调整.
- 评估和调整过程平均需要22分钟,远远少于手动轮的69分钟.
- 剂量测量分析显示,对治疗计划的影响很小,平均剂量差异很小.
结论:
- 全面的多面技术评估框架提供了一种严格的方法来验证自动细分工具.
- 标准化的基准和社区共识对于临床实施和对细分模型的比较分析至关重要.
