Deep learning-assisted target volume segmentation for uterine malignancies on non-contrast CT
本研究表明，一种多标签 3D-fullres nnU-Net 模型能够有效地在平扫 CT 上生成用于子宫恶性肿瘤的可编辑初始轮廓，在规划靶区（PTV）方面达到了高准确度，在临床靶区（CTV）方面达到了中等准确度，同时减少了 78.3% 的勾画时间，但在进行常规临床应用之前仍需进行外部验证和剂量学评估。
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
在复杂的癌症治疗领域，放射治疗就像是一束精准的能量光束，旨在摧毁肿瘤，同时保护附近的健康器官。为了实现这一点，医生必须首先在患者的扫描图像上绘制一张详细的地图，精确勾勒出癌症所在的位置以及辐射需要到达的范围。这张被称为“靶区体积”（target volume）的地图是整个治疗方案的基础。如果地图画得太小，癌症可能会存活下来；如果画得太大，健康的组织可能会受到损伤。几十年来，绘制这些地图一直是一项缓慢的手动任务，需要专家在电脑屏幕上仔细描绘边界，这一过程因人而异，为单个患者可能需要耗时一个多小时。对于子宫、宫颈和子宫内膜癌而言，这一挑战尤为艰巨，因为盆腔内的软组织在标准扫描图像中看起来往往非常相似，导致肿瘤的边缘难以清晰辨识。
中国赣州医学院（注：原文为Ganzhou Cancer Hospital，通常指代相关研究机构）的研究人员致力于探索人工智能是否能帮助加速这一过程而不损失准确性。他们专注于一种被称为非对比增强计算机断层扫描（NCCT）的特定扫描类型，这是用于治疗规划的标准成像工具，但它缺乏像磁共振成像（MRI）那样的对比度细节。研究团队训练了一个计算机系统来观察这些扫描图像，并自动绘制出目标区域的轮廓。他们并非让计算机进行猜测，而是构建了一个系统，通过学习数百个由资深医生手工绘制地图的历史案例来进行学习。其目标是创建一个能够提供“初稿”的工具，以便医生可以快速检查并调整，而不是每次都从空白屏幕开始。
该研究涉及157名子宫癌患者，并通过不同的分组进行公平测试。计算机在一个大型患者组上接受了训练，随后在一个从未见过的独立患者组上进行了测试，以确保其能够处理新病例。结果显示，该人工智能在绘制被称为“计划靶区体积”（planning target volume）的外层边界方面表现得非常出色。平均而言，计算机绘制的图形与专家医生的绘图重合度超过了90%。这个外层边界是在实际肿瘤周围增加的安全余量，以确保即使患者发生轻微移动，辐射也能击中目标。然而，当涉及到标记疾病存在之处的“临床靶区体积”（clinical target volume）这一内层边界时，系统的表现则不那么完美。对于这个内部区域，重合度约为72%。这种差异之所以显著，是因为在标准扫描图像中，内层边界更难定义，因为肿瘤会与周围的健康组织融合在一起。
为了了解这些计算机生成的地图在实际诊所中是否真的有用，三位经验丰富的放射科医生对结果进行了独立评审。他们使用一个简单的量表对计算机的工作质量进行了评分。对于外层安全余量，医生发现计算机的工作在超过91%的病例中在临床上是可以接受的，这意味着它只需经过微调即可使用。对于内层肿瘤边界，接受率较低，约为75%，其余病例则需要进行更大幅度的修改。医生指出，计算机有时在目标区域的最顶端和底端，或者在子宫与直肠交界处表现欠佳，这些地方的组织对比度天然较差。尽管存在这些缺陷，该系统并未产生任何完全无法使用的地图。关键的结论是，计算机可以提供一个坚实的起点，但人类医生仍需仔细审查并完善内层边界。
这项技术带来的最显著影响体现在完成工作所需的时间上。在针对20名患者的另一项测试中，一位医生对比了手动绘制地图与使用计算机草稿进行绘制所需的时间。从零开始绘制时，每个患者平均耗时65分钟。而当利用计算机生成初始轮廓并由医生进行编辑时，时间缩短至仅14分钟。这代表了完成这一关键步骤所需时间减少了近80%。研究作者谨慎地指出，这是一个单中心测试，该系统尚未被证明能完美适用于每一种类型的患者或每一家医院。他们强调，虽然计算机节省了大量时间，但它并不是医生专业知识的替代品。该系统最好的定位是一个强大的助手，负责处理繁重的绘图工作，从而让医疗团队能够将精力集中在确保治疗既安全又有效的最终关键决策上。
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。