将认知不确定性估计整合至放射治疗工作流程
图像与视频处理
2024-09-30 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
在放射治疗计划中，靶区结构与危及器官（OAR）轮廓勾画的精确性对于确保治疗疗效与患者安全至关重要。深度学习（DL）的最新进展显著提升了 OAR 轮廓勾画的性能，然而这些模型的可靠性，尤其是在分布外（OOD）场景下的可靠性，在临床环境中仍令人担忧。本应用研究探讨了将认知不确定性估计整合至 OAR 轮廓勾画工作流程中，以在临床相关场景下实现 OOD 检测，并使用了专门编制的数据。此外，我们引入了一种先进的 OOD 检测统计方法，以增强不确定性估计的方法学框架。我们的实证评估表明，认知不确定性估计在识别模型预测不可靠且可能需要专家审查的实例方面是有效的。值得注意的是，我们的方法在 OOD 检测中实现了 0.95 的 AUC-ROC，在植入物病例中特异性为 0.95，敏感性为 0.92，凸显了其有效性。本研究填补了当前研究领域的重大空白，例如不确定性估计缺乏真实标签以及实证评估有限。此外，它还在 Varian（西门子医疗旗下公司）的 FDA 批准且广泛使用的 OAR 分割临床解决方案中，提供了认知不确定性估计的临床相关应用，突显了其实际效益。
引用
@article{arxiv.2409.18628,
title = {Towards Integrating Epistemic Uncertainty Estimation into the Radiotherapy Workflow},
author = {Marvin Tom Teichmann and Manasi Datar and Lisa Kratzke and Fernando Vega and Florin C. Ghesu},
journal= {arXiv preprint arXiv:2409.18628},
year = {2024}
}
备注
Keywords: Epistemic Uncertainty - Out-of-Distribution Detection - CT Segmentation - OAR contouring - Radiotherapy