AI-Assisted Decision-Making for Clinical Assessment of Auto-Segmented Contour Quality
Created by
Haebom
저자
Biling Wang, Austen Maniscalco, Ti Bai, Siqiu Wang, Michael Dohopolski, Mu-Han Lin, Chenyang Shen, Dan Nguyen, Junzhou Huang, Steve Jiang, Xinlei Wang
개요
본 연구는 방사선 치료에서 자동 생성된 윤곽(auto-contours)의 품질 평가(QA)를 위한 심층 학습(DL) 기반 접근법을 제시하며, 특히 온라인 적응 방사선 치료(OART)에 중점을 둡니다. 베이지안 순서형 분류(BOC)와 보정된 불확실성 임계값을 활용하여, 이 방법은 정답 윤곽이나 광범위한 수동 라벨링에 의존하지 않고도 신뢰할 수 있는 QA 예측을 가능하게 합니다. BOC 모델을 개발하여 자동 윤곽의 품질을 분류하고 예측 불확실성을 정량화하였으며, 임상 정확도 요구사항을 충족하는 불확실성 임계값을 최적화하기 위해 보정 단계를 사용했습니다. 수동 라벨이 없는 경우, 제한된 라벨이 있는 경우, 그리고 충분한 라벨이 있는 경우의 세 가지 데이터 시나리오에서 이 방법을 검증했습니다. 전립선암의 직장 윤곽에 대해 수동 라벨이 없을 때는 기하학적 대리 라벨을, 라벨이 제한적일 때는 전이 학습을, 충분한 라벨이 있을 때는 직접적인 감독을 적용했습니다. BOC 모델은 모든 시나리오에서 견고한 성능을 제공했습니다. 단 30개의 수동 라벨로 미세 조정하고 34명의 피험자로 보정하여 테스트 데이터에서 90% 이상의 정확도를 얻었습니다. 보정된 임계값을 사용하여, 98% 이상의 경우에서 자동 윤곽의 품질이 93% 이상의 정확도로 예측되어 불필요한 수동 검토를 줄이고 수정이 필요한 경우를 강조했습니다. 제안된 QA 모델은 수동 작업량을 줄이고 빠르고 정보에 입각한 임상 결정을 가능하게 함으로써 OART에서 윤곽 생성 효율성을 향상시킵니다. 불확실성 정량화를 통해 더 안전하고 신뢰할 수 있는 방사선 치료 워크플로우를 보장합니다.
시사점, 한계점
•
시사점:
◦
OART에서 자동 윤곽의 품질 평가를 위한 효율적이고 신뢰할 수 있는 심층 학습 기반 방법 제시
◦
수동 라벨링 의존도 감소를 통한 작업량 감소 및 시간 단축
◦
불확실성 정량화를 통한 안전하고 신뢰할 수 있는 방사선 치료 워크플로우 구축
◦
제한된 데이터 환경에서도 높은 정확도 달성 가능성 확인
•
한계점:
◦
특정 암종(전립선암)과 해부학적 영역(직장 윤곽)에 대한 연구 결과로 일반화 가능성에 대한 추가 연구 필요
