用于自动分割轮廓质量临床评估的AI辅助决策
计算机视觉与模式识别
2025-05-13 v2 人工智能
应用统计
摘要
目的：本研究提出一种基于深度学习（DL）的质量评估（QA）方法，用于评估放射治疗中自动生成的轮廓（自动轮廓），重点是在线自适应放射治疗（OART）。该方法利用贝叶斯有序分类（BOC）和校准的不确定性阈值，在不依赖真实轮廓或大量手动标注的情况下，实现可靠的QA预测。方法：我们开发了一个BOC模型来对自动轮廓质量进行分类并量化预测不确定性。使用校准步骤来优化满足临床精度需求的不确定性阈值。该方法在三种数据场景下进行了验证：无手动标注、有限标注和大量标注。针对前列腺癌的直肠轮廓，我们在无手动标注时应用几何代理标签，在标注有限时应用迁移学习，在标注充足时应用直接监督。结果：BOC模型在所有场景下均表现出稳健的性能。仅用30个手动标签进行微调并用34个受试者进行校准，在测试数据上就达到了超过90%的准确率。使用校准后的阈值，在超过98%的案例中，超过93%的自动轮廓质量被准确预测，从而减少了不必要的的人工审核，并突出了需要校正的案例。结论：所提出的QA模型通过减少人工工作量和实现快速、明智的临床决策，提高了OART中的轮廓勾画效率。通过不确定性量化，它确保了更安全、更可靠的放射治疗工作流程。
引用
@article{arxiv.2505.00308,
title = {AI-Assisted Decision-Making for Clinical Assessment of Auto-Segmented Contour Quality},
author = {Biling Wang and Austen Maniscalco and Ti Bai and Siqiu Wang and Michael Dohopolski and Mu-Han Lin and Chenyang Shen and Dan Nguyen and Junzhou Huang and Steve Jiang and Xinlei Wang},
journal= {arXiv preprint arXiv:2505.00308},
year = {2025}
}