P.103 Automated pituitary adenoma segmentation for radiosurgery with deep learning-based model
Notice bibliographique
Résumé
Background: Pituitary adenomas are treated with endoscopic surgery, while stereotactic radiosurgery addresses complex cases. Our study highlights AI’s role in accurate segmentation, improving treatment planning workflow efficiency Methods: In a retrospective study at Na Homolce Hospital (January 2010 to October 2022), SRS for pituitary adenomas was analyzed. Data were split 80:20 for training and validation. Using nnU-net, a medical image segmentation tool, a model predicted precise tumor, optic nerve, and pituitary gland segmentation. Accuracy was evaluated quantitatively with Dice similarity coefficient and qualitatively by human experts. The study explored the impact of tumor volume and hormonal activity status on segmentation accuracy. Results: The study comprised 582 and 146 patients in training and validation sets, respectively. The model achieved Dice similarity coefficients of 83.1% (tumor), 62.9% (normal gland), and 78.0% (optic nerve). Expert assessments deemed 41% directly applicable, 31.5% needing minor adjustments, and 27.4% unsuitable for clinical use. Larger tumor volume and non-functioning adenomas correlated with higher accuracy. Including T2 weighted scans improved DSC for optic nerve and normal gland. Conclusions: The study showcases deep learning’s potential in automating pituitary adenoma segmentation from MRI data, particularly excelling in large, hormonally inactive macroadenomas. Encourages collaborative use with clinicians for improved neurosurgical patient care.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».