基于神经网络的两种质母细胞瘤划分方法的临床评估

科学领域:

• 放射疗法是一种放射治疗.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 准确的总瘤体积 (GTV) 定义对于有效的放射治疗计划至关重要.
• 神经网络为自动瘤划分提供了潜力,旨在提高精度并减少手动细分工作量.
• 临床验证对于确定这些人工智能驱动工具的准确性和局限性至关重要.

研究的目的:

• 评估和比较基于神经网络的两种神经细胞母细胞瘤划定模型的性能.
• 为了评估自动划分与临床医生手动细分的精度.
• 为了分析瘤划分差异的剂量计影响.

主要方法:

• 两个AI模型,Cercare Medical Inc (CMN) 和Raidionics,应用于70例临床质母细胞瘤病例.
• 使用豪斯多夫95% (HD95) 距离和子相似系数 (DSC) 来量化划界精度.
• 还评估了临床医生之间的观察者间变异性和剂量测量后果.

主要成果:

• 与Raidionics (平均HD95:5.61mm,DSC:0.80) 相比,CMN模型取得了更优异的结果,平均HD95为4.24mm和DSC为0.83.
• 这两种模型的假阳性率很低 (<10%的真实体积),但假阴性率更高 (~20%的真实体积).
• 观察者间变异性显示HD95为2.91毫米,DSC为0.89,表明专家性能优于AI模型.

结论:

• 在质母细胞瘤划分方面,CMN模型表现明显优于Raidionics模型.
• 虽然这两种AI模型都显示了可接受的剂量覆盖的稳定性,但它们的准确性与临床专家的准确性不匹配.
• 在广泛采用这些神经网络模型之前,建议进一步开发和验证这些神经网络模型.