将医生的轮造型纳入术后前列腺癌放射治疗临床目标体积的自动细分,使用语言编码器
Hengrui Zhao1, Chien-Yi Liao1, Daniel Yang1
1Medical Artificial Intelligence and Automation Laboratory and Department of Radiation Oncology, University of Texas Southwestern Medical Center, Dallas TX, USA.
Machine Learning. Health
|January 1, 2026
概括
一个新的深度学习模型,Text-UNet,通过根据个体医生风格个性化临床目标体积 (CTV) 自动细分来改进前列腺癌放射治疗,提高准确性和效率.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 辐射瘤学 辐射瘤学
背景情况:
- 准确的临床目标体积 (CTV) 轮对术后前列腺癌放射治疗至关重要.
- 挑战包括前列腺的缺失,不清楚的地标,以及在轮风格的医生间显著的变化.
- 这种变化使得自动细分算法的开发变得复杂,因为它们需要一致的数据.
研究的目的:
- 开发一种新的自我细分方法,该方法结合了个体医生的轮造型.
- 为提高前列腺癌放射治疗中CTV划分的准确性和减少手工工作量.
- 在自动化细分模型中解决医生间的变异性.
主要方法:
- 开发Text-UNet,这是一个集成文本编码器的深度学习模型,用于捕获医生特定的轮风格.
- 将医生风格编码成隐性向量,并与CT图像特征相结合,以指导细分.
- 使用来自多名医生的824名患者 (699名培训,49名验证,76名测试) 的数据集.
主要成果:
- 文本-UNet的平均Dice得分为85.1%,超过了基线UNet (82.0%) 和其他最先进的模型.
- 医生特定信息的整合导致了更好的细分一致性.
- 证明了手动轮努力的减少.
结论:
- 文本-UNet有效地解决了前列腺癌放射治疗中CTV自分化的医生间变异性.
- 个性化的方法提高了治疗规划的准确性和效率.
- 显示了改善自动化放射治疗规划的巨大潜力.
