《Practical Radiation Oncology》:Multicenter Evaluation of a Deep Learning Model for Automatic Contouring of Cardiac Substructures in Adults
编辑推荐:
摘要专业翻译
目的:心脏亚结构的精准勾画对于评估胸部放射治疗中放射性心脏毒性至关重要。研究人员对一种用于这些结构自动分割的深度学习模型进行了临床评估。
方法与材料:该模型与XXX(XXX)合作构建,可生成21个心脏亚结构(全心、心腔、冠状动脉、瓣膜及大血管)。
摘要专业翻译
目的:心脏亚结构的精准勾画对于评估胸部放射治疗中放射性心脏毒性至关重要。研究人员对一种用于这些结构自动分割的深度学习模型进行了临床评估。
方法与材料:该模型与XXX(XXX)合作构建,可生成21个心脏亚结构(全心、心腔、冠状动脉、瓣膜及大血管)。5名放射肿瘤科医师采用4点Likert量表(3=无需修正,2=轻微/中度修正,1=重大修正,0=未执行)对来自两家机构的30例增强CT(contrast-enhanced CT, CE-CT)上的原始勾画进行评分,并在需要时进行修正。计算Dice相似系数(Dice Similarity Coefficient, DSC)和95百分位Hausdorff距离(95th-percentile Hausdorff distance, HD95),以比较模型与参考勾画、临床医师修正后勾画与参考勾画,以及模型与STAPLE(Simultaneous Truth and Performance Level Estimation)勾画之间的差异。
结果:在630个结构中,93.8%被评分为3或≥2,6.2%被至少一位临床医师评分为1。对于冠状动脉(210个结构),88.5%被评分为3或≥2。勾画生成约需1分钟,每例CT的中位审查与修正时间为7.0分钟(四分位距,5.8–9.8)。模型与参考勾画之间的中位DSC在所有结构中均为1.0,而临床医师修正后勾画与参考勾画之间的中位DSC范围为0.92至1.0。总体而言,临床医师与参考勾画之间以及模型与STAPLE之间的HD95均低于5 mm。
结论:该深度学习模型在增强CT上对心脏亚结构(包括冠状动脉)的分割结果令人满意。其整合至广泛采用的治疗计划系统中,为广泛的临床应用奠定了基础。
论文解读文章
一、研究背景与意义
放射性心脏病(radiation-induced heart disease, RIHD)是胸部放射治疗(radiotherapy, RT)中备受关注的主要并发症之一,可在治疗后数月至数年显现,临床表现从无症状性灌注缺损到缺血性心脏病、心力衰竭、心包炎和心律失常不等,发生率报道为10%至40%,对长期生存者的生活质量构成显著影响。在肺癌治疗中,肿瘤与关键心脏亚结构的毗邻关系使得精确的剂量计划对于最大限度减少意外辐射暴露尤为重要。
既往多数临床推荐,尤其是面向心脏病学家的指南,主要基于全心平均剂量。然而,大量研究已表明,特定心脏亚结构所受的辐射剂量与放射性心血管并发症风险更具相关性,即使低至中等剂量也可能增加晚期心脏功能障碍和死亡风险。因此,建立各心脏亚结构(包括心室、心房、瓣膜和冠状动脉)的剂量-反应关系日益重要。
先进放疗技术如调强放疗(intensity-modulated RT, IMRT)、容积旋转调强放疗(volumetric-modulated arc therapy, VMAT)、立体定向体部放疗(stereotactic body RT, SBRT)和质子治疗已改善了剂量适形性并保护了周围危及器官(organs at risk, OAR)。然而,这些技术优势的充分发挥依赖于对各心脏亚结构的精确勾画。心脏亚结构的勾画极具挑战性,手动勾画作为临床金标准存在显著的观察者间差异、跨中心和跨成像方案的稳健性不足,以及耗时长等问题——单个复杂结构如冠状动脉常需超过5至10分钟。
基于深度学习的自动分割为解决上述挑战提供了有前景的方案。既往研究在多种胸部OAR上展现了优异性能,但针对心脏亚结构的验证仍然有限,原因在于其解剖结构复杂、体积小,以及无对比增强(contrast-enhancement, CE)CT上可视化困难。基于此,研究人员开发了一种可靠的深度学习模型,用于自动勾画多个心脏亚结构,并利用外部CT数据集和来自两个外部中心的临床专家意见对其性能进行了全面评估。
二、研究设计与关键技术方法
研究人员与XXX(XXX)合作,于2021年启动了一项心脏模型开发项目。训练队列共纳入来自XXX的80例胸部CT扫描:第一子集包含60例增强CT(58/60有对比剂;53/60层厚1–1.25 mm),主要用于肺癌放疗(40/60)和乳腺癌放疗(10/60),其中7例患者同时接受冠状动脉CT并配准至胸部CT以辅助小冠状动脉节段的手动勾画。由经心脏病学家(EM)培训的资深放射肿瘤科医师(LV)按照Vaugier等人发表的指南,对21个心脏亚结构进行手动分割,包括全心、大腔室、大血管、主动脉瓣和二尖瓣、左主干冠状动脉(A_Coronary_L)、左前降支冠状动脉(A_LAD)、回旋支冠状动脉(A_Cflx)和右冠状动脉(A_RCA)。所有勾画在纳入训练集前均经过多学科审查。冠状动脉均采用计划危及器官体积(planning organ-at-risk volume, PRV)进行分割,以纳入运动变异和勾画不确定性。随后使用第一版模型对额外20例胸部CT进行分割,由LV进行手动修正并重新纳入以细化训练数据。最终训练队列共80例标注CT,其中73%和13%分别用于肺癌和乳腺癌放疗,男女分布均衡,中位年龄67岁(IQR 60–73),中位BMI 23.5 kg/m2(IQR 20.5–25.9)。98%为增强扫描,88%层厚1–1.25 mm,74%来自SIEMENS Somatom Go Open Pro扫描仪。
模型采用3D U-Net架构,包含四个层级,以实例归一化替代原始实现中的批归一化。共训练三个独立的U-Net模型以处理不同解剖分组:一个用于冠状动脉,一个用于心脏,一个用于心腔和周围血管。各模型内部不允许重叠结构,不同模型生成的结构之间允许重叠。冠状动脉模型采用各向同性1.0×1.0×1.0 mm3分辨率,输入尺寸136×152×174体素;心脏亚结构和全心模型采用1.5×1.5×1.5 mm3体素尺寸,输入尺寸分别为144×138×140和148×132×134体素。训练中应用L2正则化(权重10??),瓶颈层使用0.5丢弃率(dropout),Kaiming均匀初始化,批大小为1。冠状动脉模型采用Dice损失与交叉熵损失等权重组合(0.5/0.5),心脏和心脏亚结构模型仅使用交叉熵损失。优化采用Adam优化器,阶梯式学习率从10?3起始。80例患者随机分为70例训练和10例验证,无预训练,各模型独立训练,无集成或聚合。训练基于PyTorch 2.3实现。
三、研究结果
定性评分与时间:模型在1分钟内生成全部21个心脏亚结构。5位来自3个参与中心的临床医师共评估了630个自动生成的勾画(30例CT×21个结构)。跨30例CT,临床医师间中位评分为3。93.8%(591/630)的自动生成勾画被所有临床医师评分为3或至少≥2;26%(164/630)被所有临床医师评分为3;6.2%(39/630)被至少一位临床医师评分为1;同一结构出现3和1评分组合的情况占4%(25/630);无缺失勾画。聚焦冠状动脉(210个结构),88.5%(186/210)被评分为3或≥2,同一冠状动脉出现3和1评分组合的情况占8.1%(17/210)。每例修正中位时间为7.0分钟(IQR 5.8–9.8分钟),冠状动脉是最耗时的修正结构。
勾画定量比较:模型与参考专家(LV)之间的一致性极高,所有结构的中位DSC为1.0。但检查DSC最小值时发现部分离群值,尤其在部分CT的冠状动脉中,DSC最低下降至0.55,其中一例CT的A_Coronary_L的DSC为0。临床医师修正后勾画与参考专家勾画相比,中位DSC范围为0.92至1.0,整体表现优异,但通常略低于模型与参考专家之间的DSC,反映了观察者间差异,冠状动脉更易受临床医师间差异影响。采用STAPLE方法平均观察者间差异后,模型与临床医师之间的一致性在所有结构中均有所改善,差异率降低,但A_LAD中远段除外。相对体积差异方面,模型与STAPLE相比,多数结构保持在±5%以内,部分A_LAD和A_Cflx(尤其其中远段)例外。表面指标方面,临床医师与参考专家之间的平均表面距离(mean surface distance to agreement, DTA)总体低于2 mm,模型与STAPLE之间低于1 mm。HD95方面,临床医师与参考专家之间多数结构低于10 mm,大部分低于5 mm;模型与STAPLE之间除A_Cflx中远段(最高达16 mm)外均低于3 mm。
四、讨论与结论
讨论部分总结:本研究是首个在外部CT扫描上对心脏亚结构分割深度学习算法进行多中心验证的研究,评估了21个不同区域,结合了定性和定量指标。尽管各中心成像方案和采集存在异质性,模型在所有中心均展现了稳健性能。约94%的自动生成勾画被所有临床医师认为满意,冠状动脉约88%。模型与参考专家之间的中位DSC为1.0,临床医师修正后勾画与参考专家之间的中位DSC范围为0.92至1.0,表明模型在多数情况下产生的勾画与观察者间差异水平一致。冠状动脉勾画仍具挑战性,临床医师间评分不一致率约9%,但STAPLE方法可消除模型与临床医师之间的差异。既往研究报道的冠状动脉DSC在0.33至0.60之间(全深度学习模型)或低于0.2(混合模型),而本研究中冠状动脉中位DSC约为0.92至1.0,偏差仅限于少数CT。这一优异结果需考虑两个方法论因素:临床医师勾画基于模型勾画的修正而非盲法手动勾画;冠状动脉训练阶段采用的PRV定义限制了勾画变异。研究局限性包括:测试队列规模较小(n=30)且仅包含用于中央或超中央位置肺癌SBRT计划的增强CT,而非增强CT在放疗中更常用;未进行不同深度学习模型之间的比较;无法进行自动生成勾画与手动勾画之间的比较;未纳入剂量学或临床结局分析。
结论翻译:基于深度学习的心脏亚结构勾画已成为临床上可行且可靠的方法,即使对于冠状动脉亦是如此。该模型在成熟的商业治疗计划系统中开发,并由来自多个中心的临床医师使用增强CT扫描成功验证。它为未来大规模临床评估放射性副作用提供了有前景的机会。