对儿童脊辐射的Atlas和神经网络自分割方法的比较分析与基于知识的质量保证工具的开发

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 人工智能在医学中的应用

背景情况:

• 准确的自细分对于有效的儿科脊辐射 (CSI) 非常重要.
• 评估和改进自细分工具对于优化治疗计划和患者结果至关重要.

研究的目的:

• 评估阿特拉斯和基于神经网络的自细分技术对儿科CSI的性能.
• 开发一种基于知识的质量保证 (QA) 工具,用于检测儿科CSI的自分类错误.

主要方法:

• 在使用Atlas,商业AI和内部AI方法对63名儿科CSI患者进行了自分化.
• 通过线性混合效应模型分析,在13个器官中使用13个定量指标 (6重叠,7距离) 评估性能.
• 创建了一个基于知识的QA工具,使用计算机断层扫描 (CT) 数量分布的核心密度估计 (KDE) 来从100名CSI患者中获取数据.

主要成果:

• 与Atlas和商业AI相比,内部人工智能方法在重叠和距离指标方面表现出卓越的表现.
• 内部人工智能实现了比Atlas方法更高的平均重叠和更好的距离指标,并且与商业人工智能相匹配.
• 质量保证工具显示,与基线KDE对内部AI (60.7%) 的一致性最高,相比之下,Atlas (46.4%) 和商业AI (46.5%) 的一致性最高.

结论:

• 与现有的Atlas和商业AI方法相比,公司内部的AI方法为儿科CSI患者提供了更高的自我细分精度.
• 开发的基于知识的质量保证工具有效地帮助临床医生识别和纠正重大自细分错误.