对细分化自动细分的评估,以确定质母细胞瘤放射治疗中GTV的定义
Robert Poel1, Lucas Mose2, Philipp Reinhardt1
1Department of Radiation Oncology, Inselspital, Bern University Hospital, and University of Bern, Bern, Switzerland.
概括
深度学习模型Neosoma Glioma自动化了质母细胞瘤 (GBM) 总瘤体积 (GTV) 细分,将放射治疗规划时间缩短了50%以上. 这个人工智能工具提供了临床上有用的细分,用剂量计等价于专家轮.
科学领域:
- 放射治疗和瘤学
- 人工智能在医学中的应用
- 神经瘤学神经瘤学
背景情况:
- 用于放射治疗 (RT) 的质母细胞瘤 (GBM) 目标体积的手动划分是低效的,容易变化.
- 精确细分总瘤体积 (GTV) 对于有效的GBM治疗计划至关重要.
研究的目的:
- 评估Neosoma Glioma深度学习模型的临床适用性,用于手术后的GBM中自动GTV细分.
- 评估人工智能驱动细分的时间节省,几何精度和剂量测量影响,与手动轮相比.
主要方法:
- 对100例手术后的GBM病例进行了回顾性分析,并使用了多模态MRI.
- 使用Dice相似系数 (DSC) 将Neosoma Glioma自行细分的GTV与专家定义的轮进行比较.
- 辐射瘤学家审查并调整了自行细分的GTV,评估了节省时间和剂量计影响.
主要成果:
- 最佳的自动细分实现了0.79的平均DSC与地面真相.
- 手动调整自动细分的GTV需要5.9分钟,比手动轮调整 (12.3分钟) 快50%以上.
- 基于调整后的自我细分的计划显示了对共识轮的剂量计等价性,没有临床相关的差异.
结论:
- 瘤瘤模型提供了临床上有用的术后GBM GTV细分,其性能与专家可变性相当.
- 基于AI的细分显著减少了轮时间,促进了更快的RT工作流程,并可能标准化目标定义.
- 该模型在各种 GBM 案例中的一致性表明,当与质量保证相结合时,其在 RT 规划中的实际价值.
