非小细胞肺癌术后放射治疗

　　准确划定临床目标体积是放疗治疗计划中最关键的方面之一。该过程的质量取决于个体观察者的专门知识，并与在肺癌护理。然而，显著观察者间的变化，即使是在特定的协议临床试验的专家，有报道。在欠发达的国家，放射肿瘤学家缺乏足够的设施和培训机会，来自不同领域的医师之间在临床专业知识上的差距更大。
　　 计算机辅助工具可以潜在地提高轮廓精度并减少偏差。近日，深学习方法已经被越来越多地介入放射治疗。出国看病服务机构集团此前还曾成立于乳腺癌和使用大数据和深度学习直肠癌一系列自动分割模型。作为最先进的技术，深度学习通过实现自学式的信息表示形式并使用学习抽象的层次结构来有效完成高级任务，从而表现出了卓越的性能。深度学习方法的另一个重要优点是，它们适合于各种患者的身体大小和形状。即使输入图像显示在体的尺寸或形状的巨大差异，深学习可以从足够数量的实施例增加知识和产生极好的分割结果。
　　 对于肺癌，深学习相关的公布的数据也主要集中在机关风险或大体肿瘤轮廓，在多数情况一直优于现有的解决方案，但仍需要最终手册最终临床实施。但是，很少有研究探索这种尖端技术在接受术后放射治疗的患者中进行临床目标体积轮廓检查的作用。
　　 在这项研究中，出国看病服务机构建立了一个强大的深度学习算法来对接收非小细胞肺癌的临床目标体积进行细分，并确定深度学习的协助是否可以提供比其他方法更高的准确性，观察者之间的一致性和轮廓绘制效率手工划定。
　　 临床目标体积的准确划定是放射治疗中治疗计划最关键的方面之一，而临床目标体积划定的质量在很大程度上取决于个别医师的专业知识。在我国，由于设施和劳动力短缺，不同地区的医生在临床专业知识上不可避免存在巨大差异。强烈期望引入一种有利的自动轮廓加工工具，以提高轮廓精度并减少轮廓差异和时间消耗。据出国看病服务机构所知，这是第一项评估临床目标体积对接受的患者的表现的研究。如假设的那样，出国看病服务机构的结果证明了卓越的准确性和观察者之间的一致性，并且由于引入了深度学习而节省了时间。
　　 对于接受完全切除的患者，的作用尚有争议。尽管随机数据的缺乏，大部分的证据表明，选择高风险的患者可从端口本地控制方面。对于一个目标生成的研究中，从高容量的机构由有经验的专家医师划定轮廓通常被认为是作为基准。因此，评估轮廓和之间一致性的提高表明轮廓精度得到了提高。在本研究中，等高线是根据三位资深放射肿瘤学家根据当代的重新划定生成的，其依据是本研究所主要研究的研究的随机三期试验方案，而不是简单地使用以前的在临床实践中使用的轮廓。该优点对于避免为临床实践创建轮廓的多名高级医师之间潜在的观察者差异是有意义的。骰子系数被广泛接受的参数不同的分割之间。而迪克系数是体积重叠指数，较高表示轮廓精度较高。在出国看病服务机构以高级放射肿瘤学家的轮廓为基准的研究中，来自11个中心的初级放射肿瘤学家的达到了更高的和，这表明深度学习的帮助改善了他们的轮廓的准确性。
　　 关于专门针对肺癌的靶标的自动分割，出国看病服务机构注意到，所有已发表的研究均基于评估了大肿瘤的轮廓精度，所报道的系数范围为。据出国看病服务机构所知，本研究是第一个在规划的背景下评估临床目标体积的性能的研究。通过在计划，出国看病服务机构的研究表明临床目标体积的系数为0.75，与系数相比，有改善。可以通过以下原因来解释该中等的骰子系数。首先，临床目标体积通常包含高风险的结节区域和支气管残端，这不能像一样通过区分组织密度来简单地识别。其次，基于的术后改变可能会增加解剖学多样性，例如模糊的软组织边界，由于不同的肺叶切除术而导致的目标位置发生改变以及个体患者的肺容量多种多样。第三，临床目标体积的定义比解剖学上的问题还要复杂。随着更灵敏的诊断技术和现代共形放射技术的发展，趋势是端口体积越来越小，其中仅包括高风险引流淋巴结区域以及支气管残端。结果，由于结节引流的差异，临床目标体积可能会因原发肿瘤的位置和所检查的结节区域而异，这将不可避免地影响训练数据的一致性，从而降低深度学习模型的性能。随着训练数据集和多模态图像的扩大，预计的准确性会提高。
　　 在临床目标体积轮廓间观察员变异已经被认为是不确定性的放射治疗计划。这种差异在精确放射治疗的背景下变得越来越重要，因为通过放射技术的进步，其他错误来源已降至最低。在术后临床目标体积轮廓的设置中，甚至在专家中也观察到了明显的跨临床医师差异。自动轮廓目标卷已发现比在很多情况下。在本研究中，借助，出国看病服务机构在观察者之间获得了明显改善的轮廓一致性。在体积和空间指标方面，初级放射肿瘤学家之间的观察者间变异性均显着降低，变异性降低率在30％至35％之间。
　　 进行比较时，从视觉上区分高对比度边缘应该同样容易，而通过可以更好地考虑后两个因素。的最明显的优点是它直接提供了可能的描绘解决方案，并且医生仅需要编辑轮廓即可，而无需手动逐片绘制轮廓。在出国看病服务机构的研究中，它的使用使临床目标体积轮廓的时间消耗减少了35％，
　　 出国看病服务机构承认出国看病服务机构的研究存在一些局限性。首先，在一定时间范围内对入组模型的患者进行治疗，在此期间，整个治疗计划过程可能会有某些变化。例如，近十年来，针对纵隔淋巴结区域提出了几种解剖学方案，，日本共识和密歇根州地图集，这将在几年内在一定程度上引起临床目标体积设计的不确定性，从而影响模型的性能。其次，回顾性收集计划的计算机断层扫描图像。切片厚度更薄且包含提供的呼吸信息时，数据可能会更好。此外，所有初级放射肿瘤医生的轮廓线都在1个月内完成，因此可能引入了先前轮廓线的记忆偏差，并可能进一步影响了后一序列患者的临床目标体积轮廓。
　　 它是一种有前途的策略，可为临床目标体积轮廓提供卓越的准确性，一致性和省时性，从而在完全切除后提高放射治疗的质量和效率。这些结果表明，基于深度学习的自动分割有望帮助临床目标体积描绘，特别是对于来自低患者量机构的初级医师。