多模式的人工智能用于参与部位放射治疗:高风险儿科霍奇金淋巴瘤的临床目标体积划分
Xin Tie1, Sarah A Milgrom2, Andrea C Lo3
1Department of Radiology, School of Medicine and Public Health, University of Wisconsin, Madison, Wisconsin.
International journal of radiation oncology, biology, physics
|December 14, 2025
概括
深度学习模型可以自动化用于霍奇金淋巴瘤放射治疗的临床目标体积细分. 这种方法整合了多模式成像,提高了效率,并保持了与手动划分相比的质量.
科学领域:
- 医学成像分析分析 医学成像分析
- 辐射瘤学 辐射瘤学
- 医疗保健中的人工智能
背景情况:
- 在霍奇金淋巴瘤 (HL) 中,参与部位放射治疗 (ISRT) 的临床目标体积 (CTV) 划分是一个复杂且耗时的过程.
- 准确的CTV划分需要对多时间点正子发射断层扫描 (PET) /计算机断层扫描 (CT) 扫描进行分析,并与计划CT一起注册.
研究的目的:
- 开发用于儿童霍奇金淋巴瘤ISRT规划的自动化CTV细分算法.
- 将多模式成像 (CT,PET1,PET2) 整合到深度学习模型中,以改进CTV划分.
主要方法:
- 研究了三种深度学习架构 (SegResNet,ResUNet,SwinUNETR),使用288名儿科HL患者的计划CT,基线PET/CT (PET1) 和临时PET/CT (PET2) 扫描.
- 使用子相似系数 (DSC) 和95%的豪斯多夫距离 (HD95) 评估模型性能.
- 通过辐射瘤学家的独立评估,评估深度学习产生的CTV的临床效用和质量.
主要成果:
- 在外部测试中,包含CT,PET1和PET2的SwinUNETR模型获得了最高的性能 (DSC: 0.72,HD95: 34.43毫米).
- 使用PET/CT图像的模型显著优于仅使用CT图像的规划模型 (P < .01).
- 深度学习生成的CTV获得了3.38/5的平均质量评分,与医生定义的CTV (3.13;P = .13) 相比.
结论:
- 一个深度学习模型成功地生成了临床上有用的CTV,用于在霍奇金淋巴瘤中规划ISRT.
- 自动细分的质量与手动划分相当,这表明它有可能提高医生的效率.
- 这种方法有望简化儿科瘤学中的放射治疗计划.
