Abstract PO-031: Evaluating clinical utility of organs-at-risk segmentation in head & neck cancer by simple open-source 3D CNNs
Notice bibliographique
Résumé
Abstract Open source code helps the scientific community converge to breakthroughs at an accelerated rate. Only one of 14 previous deep learning based OAR segmentation studies met most open-source standards. Using this study as a benchmark, we will assess the segmentation quality of each network discussed and provide the community with pre-trained weights of the top-performing models. 11 open-source 3D segmentation models originally engineered for medical image segmentation in both the 2D and 3D domains were trained to automatically segment 19 OaR classes. For this study, a large internally curated dataset from the University Health Network (UHN) of 582 patient scans was used. All models were tested on a hold out set from the 582 cohort of 59 patients. Models were also tested on 98 external patient scans from publicly available sources. 10 test set contours from the winning network were assessed by an expert radiation oncologist with 10+ years of experience to identify the observer of the contour set (whether AI or human). Preliminary results show that only 13 out of 20 scans were identified correctly. Results show that simple 3D architectures consistently outcompete more complex networks by producing more accurate, clinically acceptable contours. A more thorough clinical acceptability test is underway to establish a protocol for integrating deep learning based auto contouring models into radiation therapy planning workflows. Citation Format: Joseph Marsilla, Benjamin Haibe-Kains. Evaluating clinical utility of organs-at-risk segmentation in head & neck cancer by simple open-source 3D CNNs [abstract]. In: Proceedings of the AACR Virtual Special Conference on Artificial Intelligence, Diagnosis, and Imaging; 2021 Jan 13-14. Philadelphia (PA): AACR; Clin Cancer Res 2021;27(5_Suppl):Abstract nr PO-031.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».