多模态人工智能用于受累野放疗：高危儿童霍奇金淋巴瘤的临床靶区勾画

目的：霍奇金淋巴瘤（HL）受累野放疗（ISRT）的临床靶区（CTV）勾画耗时费力，因为需要分析多个时间点的正电子发射断层扫描（PET）/计算机断层扫描（CT）图像并与计划CT配准。我们的目标是开发整合多模态成像的自动CTV分割算法，以促进ISRT计划设计。方法：本研究纳入了儿童肿瘤学组AHOD 1331试验中288例高危HL患儿的计划CT、基线PET/CT（PET1）和中期PET/CT（PET2）扫描。来自24个机构的58例患者的数据被留出用于外部测试，而其余来自95个机构的230例病例用于模型开发。我们研究了3种深度学习（DL）架构（SegResNet、ResUNet和SwinUNETR），并评估了将PET1和PET2图像与计划CT结合的影响。使用Dice相似系数（DSC）和95% Hausdorff距离（HD95）评估性能。通过比较原始机构CTV与4位放射肿瘤学家对10例病例的新勾画来估计观察者间变异性。由放射肿瘤学家使用5点Likert量表对40例其他病例中表现最佳模型生成的CTV质量进行独立评估，并与原始机构CTV进行比较。结果：在外部队列中，结合计划CT、PET1和PET2图像的SwinUNETR模型实现了最高性能，DSC为0.72，HD95为34.43 mm。所有结合PET/CT图像的模型均显著优于仅使用计划CT的模型（P < .01）。观察者间变异性分析得出DSC为0.70，HD95为30.14 mm。在临床评估中，DL生成的CTV平均质量评分为3.38（满分5分），与医生手动勾画的CTV（3.13；P = .13）相当。结论：DL模型能够生成临床有用的CTV，其质量与手动勾画的CTV相当，表明其可能提高医生在ISRT计划中的效率。© 2025 Elsevier Inc.保留所有权利，包括文本和数据挖掘、AI训练及类似技术的权利。