原題
Is deep learning ready for abdominal organ-at-risk segmentation in the foundation model era: A comprehensive study of challenging clinical cases.
背景:ディープラーニングを用いた正確なリスク臓器セグメンテーションは、不規則な解剖学的構造および臓器の欠損によって困難になっており、これらのシナリオにおける完全教師あり学習(FSL)および基礎モデル(FM)の性能は十分に調査されていない。
方法:413人の患者からの後ろ向きCT(3つのコホート:手術なし、部分的および全臓器切除)を用いた。7つのFSL法と6つのFM法を、内部コホート(n=67)と2つの外部コホート(n=22、n=74)および公開データセットで比較した。臓器消去増強(OEA)を提案した。測定基準:DSC、NSDおよび幻覚比。
結果:いくつかの微調整されたFMは複数の臓器を出力することができず、プロンプトベースのFMは安定していたが、複雑な解剖学的構造に苦労した。OEAは他よりも優れており、平均DSC/NSDは約87%(内部)、85%(外部2)および82%(外部3)であり、nnUNetと比較して幻覚率が0.571から0.516に低下し、データセット間の一般化が良好であった。
結論:現在のFMおよびFSL法は、不規則な解剖学的構造または分布シフトには不十分なままであり、OEAは幻覚を減少させ、ロバスト性を改善し、臨床応用を促進する。
Journal: Int J Radiat Oncol Biol Phys (CiteScore 2022: 11)
DOI: 10.1016/j.ijrobp.2026.03.040
PMID: 41962748
コメント