基於深度學習的兒童上腹部放射治療中危及器官／結構的自動勾畫

核心概念

基於深度學習的多器官自動勾畫模型可以有效地勾畫兒童上腹部腫瘤放射治療中的危及器官，尤其是在結合多個數據集進行訓練後，模型的穩健性得到提升。

摘要

文獻資訊：

Ding, M., Maspero, M., Littooij, A. S., van Grotel, M., Fajardo, R. D., van Noesel, M. M., ... & Janssens, G. O. (2024). Deep learning-based auto-contouring of organs/structures-at-risk for pediatric upper abdominal radiotherapy. Radiotherapy and Oncology, 197, 110343.

研究目標：

本研究旨在開發一種基於電腦斷層掃描 (CT) 的多器官分割模型，用於勾畫兒童上腹部腫瘤放射治療中的危及器官 (OAR)，並評估其在多個數據集中的穩健性。

研究方法：

本研究使用了來自患有腎腫瘤和神經母細胞瘤的兒童患者的院內術後電腦斷層掃描 (n=189) 以及一個涵蓋胸腹部區域的電腦斷層掃描公開數據集 (n=189)。研究人員勾畫了 17 個危及器官：9 個由臨床醫生勾畫 (類型 1)，8 個使用 TotalSegmentator 勾畫 (類型 2)。研究人員使用院內數據 (Model-PMC-UMCU) 和公開數據的組合數據集 (Model-Combined) 訓練了自動分割模型。使用 Dice 相似係數 (DSC)、95% 豪斯多夫距離 (HD95) 和平均表面距離 (MSD) 評估模型性能。兩名臨床醫生使用 5 分制李克特量表對 15 個患者輪廓的臨床可接受性進行評分。模型的穩健性根據性別、年齡、靜脈注射顯影劑和腫瘤類型進行評估。

主要發現：

• Model-PMC-UMCU 在 9 個危及器官中，有 5 個的平均 DSC 值超過 0.95，而脾臟和心臟的平均 DSC 值介於 0.90 到 0.95 之間。胃腸道和胰腺的 DSC 值低於 0.90。
• Model-Combined 在兩個數據集中都表現出更高的穩健性。
• 臨床評估顯示模型具有良好的可用性，兩名臨床醫生對 9 個類型 1 危及器官中的 6 個評分均高於 4 分，對 8 個類型 2 危及器官中的 6 個評分均高於 3 分。
• 兩個數據集中僅在不同年齡組之間發現顯著的性能差異，特別是在左肺和胰腺中。0-2 歲年齡組的表現最低。

主要結論：

本研究開發了一種多器官分割模型，該模型在使用組合數據集訓練時表現出更高的穩健性。該模型適用於各種危及器官，並可在臨床環境中應用於多個數據集。

研究意義：

本研究強調了基於深度學習的自動勾畫模型在兒童上腹部放射治療中的潛力。通過結合多個數據集進行訓練，可以提高模型的穩健性和泛化能力，使其更適合臨床應用。

研究限制和未來方向：

• 0-2 歲年齡組的模型性能較低，需要進一步研究和改進。
• 靜脈注射顯影劑對模型性能的影響需要更大樣本量進行評估。
• 未來研究可以探索聯邦學習等方法，以在不共享患者數據的情況下進一步提高模型的穩健性。

統計資料

Model-PMC-UMCU 在 9 個危及器官中，有 5 個的平均 DSC 值超過 0.95。
脾臟和心臟的平均 DSC 值介於 0.90 到 0.95 之間。
胃腸道和胰腺的 DSC 值低於 0.90。
Model-Combined 在兩個數據集中都表現出更高的穩健性。
兩名臨床醫生對 9 個類型 1 危及器官中的 6 個評分均高於 4 分，對 8 個類型 2 危及器官中的 6 個評分均高於 3 分。
0-2 歲年齡組的表現最低。

引述

"A multi-organ segmentation model was developed, showcasing enhanced robustness when trained on combined datasets."
"This model is suitable for various OARs and can be applied to multiple datasets in clinical settings."

從以下內容提煉的關鍵洞見

Deep learning-based auto-contouring of organs/structures-at-risk for pediatric upper abdominal radiotherapy

by Mianyong Din... 於 arxiv.org 11-04-2024

https://arxiv.org/pdf/2411.00594.pdf

深入探究

如何進一步提升模型在 0-2 歲年齡組等挑戰性人群中的性能？

要提升模型在 0-2 歲年齡組等挑戰性人群中的性能，可以考慮以下幾個方面：

增加數據量和數據多樣性： 0-2 歲年齡組的數據量相對較少，且個體差異較大，導致模型難以學習到該年齡段的特征。因此，需要收集更多該年齡段的數據，特別是涵蓋不同病理類型、影像設備和成像參數的數據，以提高模型的泛化能力。
數據增強： 可以利用現有數據進行數據增強，例如旋轉、平移、缩放、添加噪聲等，以擴充數據集，提高模型的魯棒性。
年齡自適應訓練： 可以根據年齡段對數據進行分組，並針對不同年齡段訓練專門的模型，或者在模型訓練過程中加入年齡信息作為先驗知識，以提高模型對不同年齡段的適應性。
結合解剖學先驗知識： 可以將兒童的解剖學先驗知識融入模型中，例如器官的大小、形狀、位置等，以指導模型進行更準確的分割。
採用更先進的模型架構： 可以嘗試使用更先進的深度學習模型架構，例如 Transformer、生成對抗網絡 (GAN) 等，以提高模型的學習能力和分割精度。
優化訓練策略： 可以嘗試使用更先進的訓練策略，例如遷移學習、聯邦學習等，以提高模型的訓練效率和泛化能力。

是否可以使用其他深度學習模型或技術來改善危及器官的自動勾畫？

除了 nnUNet 之外，還有許多其他的深度學習模型和技術可以用於改善危及器官的自動勾畫，例如：

基於 Transformer 的模型： Transformer 模型在自然語言處理領域取得了巨大成功，近年來也被應用於醫學影像分割，並取得了令人矚目的成果。與 CNN 相比，Transformer 模型具有更強的全局信息捕捉能力，可以更好地處理器官之間的空間關係，從而提高分割精度。
生成對抗網絡 (GAN)： GAN 可以通過生成器和判別器之間的博弈，生成更逼真的分割結果。在危及器官自動勾畫中，GAN 可以用於生成更精確的器官邊緣，提高分割的準確性。
圖卷積網絡 (GCN)： GCN 可以有效地處理圖結構數據，在醫學影像分割中，可以將器官的解剖結構信息表示為圖，並使用 GCN 進行分割，從而提高分割的準確性和魯棒性。
聯邦學習： 聯邦學習可以在不共享原始數據的情況下，協同多個機構的數據訓練模型，從而解決數據隱私和數據孤島問題，提高模型的泛化能力。
主動學習： 主動學習可以通過選擇最有價值的數據進行標注，提高數據效率，降低標注成本。在危及器官自動勾畫中，主動學習可以用於選擇最難分割的區域進行人工修正，從而提高模型的準確性。

除了勾畫危及器官外，人工智能還可以應用於兒童癌症治療的哪些其他方面？

除了勾畫危及器官外，人工智能還可以應用於兒童癌症治療的許多其他方面，例如：

影像診斷： 人工智能可以輔助醫生進行影像診斷，例如識別腫瘤、判斷腫瘤分期、評估治療效果等，提高診斷的準確性和效率。
治療方案制定： 人工智能可以根據患者的病情、基因信息、影像數據等，輔助醫生制定個性化的治療方案，提高治療的有效性和安全性。
放射治療計劃： 人工智能可以輔助醫生制定更精確的放射治療計劃，例如優化放射劑量、減少對正常組織的損傷等，提高治療的效果和安全性。
藥物研發： 人工智能可以輔助藥物研發，例如篩選潛在的藥物靶點、預測藥物療效、優化藥物結構等，加速新藥研發的進程。
預後預測： 人工智能可以根據患者的病情、治療信息、基因信息等，預測患者的預後，為醫生提供決策支持，幫助患者制定合理的治療計劃和康復計劃。
總之，人工智能在兒童癌症治療領域具有廣闊的應用前景，可以有效地輔助醫生進行診斷、治療、預後預測等，提高治療的效果和安全性，改善患者的生活質量。