术后前列腺癌 CTV 勾画中医生风格差异的剂量学影响：一项基于深度学习的模拟研究
医学物理
2021-05-12 v3 人工智能
摘要
在临床靶区(CTV)分割的术后场景中，由于不存在肉眼可见肿瘤，观察者间差异是一个显著问题。在此情形下，CTV 并非解剖学上确定的结构，而是由医生根据所采用的临床指南、在肿瘤控制与毒性之间偏好的权衡、其经验与培训背景以及其他因素来确定的。这导致不同医生之间存在高度差异。这种变异性一直被视为一个问题，但由于每位患者缺乏多位医生的 CTV 勾画，且剂量规划所需时间长，使得研究其剂量学后果并不现实。在本研究中，我们通过深度学习模拟临床工作流，分析医生风格差异对危险器官(OAR)剂量的影响。对于一位曾由某位医生治疗的患者，我们使用基于深度学习的工具来模拟其他医生将如何勾画 CTV，以及该患者对应的剂量分布将呈现何种形态。为模拟多种医生风格，我们采用先前开发的院内 CTV 分割模型，该模型可生成具有医生风格感知的分割结果。对应的剂量分布由另一个院内深度学习工具预测，该工具在测试数据上平均可将剂量预测在处方剂量的 3% 以内。每位测试患者均考虑四种不同医生风格的 CTV，并分析四种不同的剂量分布。对 OAR 剂量指标进行比较，结果表明，尽管医生风格差异导致器官接受不同剂量，但除最大剂量点外，所有重要剂量指标均在临床可接受限度内。
引用
@article{arxiv.2102.01006,
title = {Dosimetric impact of physician style variations in contouring CTV for post-operative prostate cancer: A deep learning-based simulation study},
author = {Anjali Balagopal and Dan Nguyen and Maryam Mashayekhi and Howard Morgan and Aurelie Garant and Neil Desai and Raquibul Hannan and Mu-Han Lin and Steve Jiang},
journal= {arXiv preprint arXiv:2102.01006},
year = {2021}
}