深度神经网络在立体定向放射外科中自动检测和分割脑肿瘤的随机多读者评价( Randomized Multi-Reader Evaluation of Automated Detection and Segmentation of Brain Tumors in Stereotactic Radiosurgery with Deep Neural Networks )

SL Lu FR Xiao CH Cheng WC Yang FM Hsu

背景：立体定向放射外科(SRS)是一种行之有效的脑肿瘤治疗方法，需要精确的肿瘤轮廓。这种手工分割过程是耗时的，并且容易出现实际的从业者之间的可变性。基于深度神经网络的人工智能(AI)越来越多地被提出用于病变检测和分割，但很少在临床环境中得到验证。方法：我们进行了一项随机、跨模式、多阅读器、多专业、多病例的研究，评估AI辅助对脑肿瘤SRS的影响。将一种基于多模态成像和集成神经网络的最先进的自动轮廓算法集成到临床工作流程中。9名医学专业人员以两种阅读模式（辅助或非辅助）对同一病例系列进行了等值线分析，每部分之间有6周的记忆消失期。病例系列包括10例算法未见病例，其中脑转移瘤5例，脑膜瘤3例，听神经瘤2例。在九位读者中，三位经验丰富的专家确定了肿瘤轮廓的地面真相。结果：在人工智能辅助下,阅读者之间的一致性显著提高（骰子相似系数[DSC]从0.86提高到0.90,P<0.001)。算法辅助医师对病变检测的敏感度高于非辅助医师（91.3%对82.6%,P=0.030)。AI辅助提高了轮廓精度，DSC平均增加0.028，特别是对于SRS经验较少的医师（平均DSC从0.847增加到0.865，P=0.002)。此外，AI辅助提高了效率，节省时间的中位数为30.8%。经验较少的临床医生在轮廓精度方面得到了显著的改善，但在减少工作时间方面获益较少。相比之下，SRS专家在DSC方面的优势相对较小，但在AI的帮助下节省了更多的时间。结论：深度学习神经网络可以有效地提高脑肿瘤SRS临床工作流程的准确性和效率。

SciDown文献求助系统（解决99%问题） Public Download ResearchGate