基于深度学习的鼻癌自动轮的一致性评估和性能优化
Linghui Yan1, Yuhao Lin1, Zirong Li2
1Department of Radiation Oncology, Clinical Oncology School of Fujian Medical University, Fujian Cancer Hospital, Fuma Road, Fuzhou, 350014, Fujian, People's Republic of China.
Scientific reports
|December 23, 2025
概括
深度学习 (DL) 模型对放射治疗轮具有前景,但存在不一致性. 拟议的框架提高了鼻癌的轮精度,提高了临床可靠性.
科学领域:
- 医学物理 医学物理
- 放射治疗技术 放射治疗技术
- 人工智能在医学中的应用
背景情况:
- 精确的轮划分对于放射治疗 (RT) 的有效性和最小化副作用至关重要,但观察者间变异性 (IOV) 是一个重大挑战.
- 深度学习 (DL) 模型为自动轮提供了潜在的解决方案,但它们的临床实用性需要彻底评估.
- 鼻癌 (NPC) 治疗严重依赖于精确划分瘤和有风险的器官.
研究的目的:
- 评估NPC的四个商业DL轮模型的一致性和准确性.
- 引入和评估新的DL模型框架,旨在提高轮准确性和可靠性.
- 为了确定特定的解剖结构,DL轮需要进一步改进临床应用.
主要方法:
- 四个DL模型 (AccuContour,RT-Viewer-contour,RT-Mind,PVmed Contouring) 用于划分22个结构和30名NPC患者的瘤总体积 (GTV).
- 使用kappa值和通用合规指数来评估轮一致性.
- 使用子相似系数 (DSC),相对体积差异 (RVD),第95百分点豪斯多夫距离 (HD95) 和平均对称表面距离 (ASSD) 评估了轮精度.
- 开发和应用了两个创新的DL模型框架来优化轮.
主要成果:
- 在GTV,垂体腺,叶和关节的DL模型中观察到不良的一致性.
- 在DL生成的轮和专家手册对GTV,透镜,视神经,垂体腺,关节,叶和气管的界定之间存在显著的差异.
- 提出的模型框架在优化GTV,脑干,眼睛,透镜和关节的轮方面表现出有效性.
结论:
- 目前的DL模型在NPC放射治疗的轮精度和一致性方面存在局限性,特别是对于特定的关键结构.
- 开发的DL模型框架显示了在临床实践中提高自动轮的稳定性和可靠性的潜力.
- 需要进一步的研究和模型改进,才能将基于DL的轮完全整合到NPC常规放射治疗工作流程中.
