关于瘤PET/CT成像中全自动化损伤细分的AutoPET挑战,第2部分:域泛化

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 在正电子发射断层扫描/计算机断层扫描 (PET/CT) 中自动化损伤细分对于癌症诊断和治疗监测至关重要.
• 自动PET挑战旨在为此任务推进机器学习 (ML) 模型,重点关注现实世界的部署挑战.

研究的目的:

• 评估基于单一来源的PET/CT数据训练的基于ML的细分模型的域概括能力.
• 评估跨不同临床变异的模型性能,包括不同的机构,病理,种群和标记物.

主要方法:

• 第二个自动PET挑战涉及对1014个全身18F-FDG PET/CT扫描进行ML模型训练.
• 在5个不同的临床领域的200个样本上测试了模型.
• 使用子相似系数,假阳性体积和假阴性体积量化表现.

主要成果:

• 从单个数据源进行概括仍然是一个重大挑战,域外性能大幅恶化.
• 最好的模型获得了0.5038的子得分,但在儿科和PSMA数据上性能下降.
• 错误分析表明,生理吸收和检测小或低吸收病变存在问题.

结论:

• 自动PET挑战突出了当前自动化PET/CT细分模型在处理数据变化方面的局限性.
• 需要多样化,多域公共数据集来提高这些算法的稳定性和临床适用性.