Multi-Time-Point Kidney Segmentation in Lutetium-177 SPECT/CT Imaging Using a 3D Deep Learning Approach for Patient-Specific Dosimetry
本研究表明，基于 SwinUNETR 的 3D 深度学习模型在保持与专家手动分割相当的剂量学准确性的同时，将 Lu-177 SPECT/CT 肾脏分割的处理时间显著降低了 80% 以上，从而为放射性药物治疗实现了高效的患者特异性剂量学评估。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代癌症治疗领域，一种强大的策略是利用放射性药物去寻找并摧毁肿瘤细胞，同时保护身体的其他部分。这种被称为放射性药物疗法的方法，依赖于像制导导弹一样精准传递剂量、直接作用于癌症的分子。然而，这些药物通常通过肾脏排出体外，这意味着这些重要的器官可能会意外吸收一部分辐射。如果剂量过高，可能会损伤肾脏，因此医生必须仔细计算每个患者的肾脏究竟接收了多少辐射。这项计算需要根据药物给药后在不同时间点对患者身体进行的详细成像，然后手动描绘出每张图像中肾脏的轮廓，以测量其体积和所含的辐射量。虽然这个过程对于安全性至关重要，但它极其缓慢且乏味，需要专家为每一位患者花费数小时来手工绘制这些轮廓。
曼谷朱拉隆功大学的一个研究小组开发了一种利用人工智能来加速这一关键任务的新方法。他们训练了一个复杂的计算机程序，使其能够自动识别并勾勒出用于此类治疗的三维图像中的肾脏轮廓。该研究重点关注接受特定类型放射性疗法的患者，使用的是一种名为镥-177（Lutetium-177）的物质，它被用于治疗某些类型的前列腺癌和神经内分泌肿瘤。研究人员测试了四种不同的先进计算机模型，以观察哪一种能最好地模拟人类专家的工作。他们向这些模型输入了来自十名患者的数千张图像，教会软件在没有任何人工帮助的情况下识别肾脏的形状和位置。目标不仅是快速画线，还要确保所得出的测量结果足够精确，以便安全地用于计算辐射剂量。
结果显示，一种被称为 SwinUNETR 的特定模型表现最佳。在处理图像时，该模型能够高度精确地勾勒出肾脏轮廓，在大多数情况下都能匹配人类专家的工作。研究人员发现，计算机完成每位患者的任务不到两分钟，而人类专家完成同样的工作通常需要近十分钟。这意味着自动化系统将所需时间减少了 80% 以上。虽然计算机测得的辐射剂量与人类专家的测量值略有不同——平均差异约为 10%——但结果足够接近，足以被认为具有临床实用价值。考虑到巨大的速度提升，这种微小的差异是可以接受的，这使得医生能够处理更多的患者，而不至于让工作人员过度劳累。
有趣的是，研究人员还测试了向计算机同时输入解剖图像（显示身体结构）和功能图像（显示放射性药物实际发光的位置）是否会使轮廓更加准确。他们发现，虽然计算机在看到这两类图像时并不一定会画出更完美的线条，但它确实对肾脏的实际体积有了更好的感知。这是一个至关重要的细节，因为肾脏的大小直接影响剂量计算。研究表明，使用计算机的功能性数据有助于它理解肾脏的哪些部分正在积极处理药物，从而导致对器官大小更精确的估计。
由于该研究是使用相对较少患者的数据进行的，研究人员承认，在该系统成为每家医院的标准工具之前，还需要进行更大规模的测试。然而，研究结果表明，人工智能可以处理肾脏分割这一复杂治疗过程中的繁重工作。通过将最耗时的部分自动化，这项技术可以使个性化放射治疗变得更加普及和高效。与其花费数小时绘制轮廓，医疗团队可以依靠计算机完成初步工作，从而让他们能够专注于验证结果并做出最终的治疗决策。这种转变有望为这个分秒必争、关乎患者安全与康复的领域带来更高水平的速度和一致性。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。