基于剂量的放射治疗自动解剖区域分类——面向大数据的应用

大规模放射治疗规划数据库（10万+病例）的实际应用面临数据整理的重大障碍。解剖学站点分层是下游分析的关键，但现有方法依赖不一致的计划标签或靶标命名，对多机构数据不可靠。我们开发了软件，通过从剂量-体积重叠中推断解剖区域来自动标记，消除对元数据的依赖。该软件批量处理DICOM文件，利用深度学习对118种结构（器官、腺体和骨骼）进行分割，分类为六个区域：颅骨、头颈、骨盆、腹部、胸廓、四肢。将85%和50%等剂量线转换为结构，计算器官特定的剂量-重叠指标。根据这些交叉指标，对计划分配排序后的区域标签。该算法通过109例专家标注案例进行细化，并在100例连续临床计划中进行验证。在100例测试数据集上，算法实现了91%的精确准确率（匹配所有专家标签及顺序）、94%的Top-2准确率（匹配前两个专家区域，顺序无关）和95%的Top-1准确率（匹配首要专家标签）。该自动化工作流程表现出高准确性和鲁棒性。95%的Top-1准确率尤为重要，因为它使基于主要治疗部位查询计划成为可靠。对少数不匹配案例的详细分析显示，大多数发生在解剖区域边界的治疗区域，且在常识解释下容易在这两个区域之间产生歧义。该算法为整理大规模、跨机构的放射治疗数据集提供了可扩展、标准化的解决方案，为放射治疗的大数据应用提供了重要补充。