Artificial intelligence-based automatic segmentation for breast cancer radiotherapy

Bakgrunn og formål: Nøyaktig inntegning av målvolum og risikoorganer er avgjørende for resultatet av pasientbehandling med stråleterapi. Manuell inntegning av strukturer er kjent som den største usikkerheten i stråleterapiprosessen. Automatisk segmentering ved bruk av kunstig intelligens (AI) kan gi en raskere og mer konsistent måte å tegne inn strukturer på. Målet med denne studien var å undersøke to forskjellige AI-metoder for automatisk segmentering av relevante strukturer for strålebehandling av brystkreftpasienter. Dette inkluderte å evaluere en dyp læring (DL)- thoraxmodell, implementert i et kommersielt doseplanleggingssystem, og å trene og teste maskinlæring (ML)-modeller, implementert i Python. Materiale og metode: All pasientdata var fra venstresidig brystkreftpasienter som har blitt behandlet med ekstern stråleterapi med fotoner ved St. Olavs hospital, ved bruk av pustestyring. DL-thoraxmodellen ble evaluert kvantitativt og klinisk for 20 pasienter ved å generere inntegninger for hjertet, lungene, ryggmargen og spiserøret. For segmentering av brystbenet, venstre bryst og hjertet, ble ML-modeller som bruker lineær støttevektorklassifisering trent med 20 og 30 pasienter og evaluert kvantitativt. Dice score (DSC), Hausdorff-avstand (HD)-persentiler og gjennomsnittlig HD (AVD) ble brukt til kvantitativ evaluering. Resultater: DL-thoraxmodellen brukte i gjennomsnitt 3 minutter på å generere AI-segmenteringer for én pasient. Gjennomsnittlig DSC for hjerte og lunger var henholdsvis 0,92 ± 0,02 og 0,97 ± 0,01; gjennomsnittlig AVD for hjerte og lunger var henholdsvis 2,9 ± 1,1 mm og 0,9 ± 0,4 mm. I den kliniske analysen passerte de AI-genererte segmenteringene i 42 % av tilfellene for hjertet, 100 % av tilfellene for lungene, 85 % av tilfellene for ryggmargen og 70 % av tilfellene for spiserøret. Kjøretiden for ML-modellene var på 30 sekunder til 5 minutter. For modellene trent med 30 pasienter, var gjennomsnittlig DSC for brystbenet, venstre bryst og hjertet henholdsvis 0,65 ± 0,06, 0,64 ± 0,10 og 0,66 ± 0,05; gjennomsnittlig AVD for brystbenet, venstre bryst og hjertet var henholdsvis 1,8 ± 0,6 mm, 2,3 ± 0,5 mm og 2,4 ± 0,5 mm. Konklusjon: Strukturer kan enkelt tegnes inn med en DL-thoraxmodell for brystkreftpasienter. Sammen med høy nøyaktighet var et stort flertall av segmenteringene klinisk aksepterte, og mange av de ikke-aksepterte segmenteringene krevde kun mindre manuelle korreksjoner. Dette innebærer at modellen har et potensiale til å forbedre både konsistensen og effektiviteten av segmentering i klinisk praksis. ML-algoritmen kan lett trenes til å tegne inn strukturer for brystkreftpasienter; ML-modellene må imidlertid forbedres ytterligere før de kan brukes i klinisk praksis