Performance of Commercial Deep Learning-Based Auto-Segmentation Software for Prostate Cancer Radiation Therapy Planning: A Systematic Review
Notice bibliographique
Résumé
As yet, there is no systematic review focusing on benefits and issues of commercial deep learning-based auto-segmentation (DLAS) software for prostate cancer (PCa) radiation therapy (RT) planning despite that NRG Oncology has underscored such necessity. This article’s purpose is to systematically review commercial DLAS software product performances for PCa RT planning and their associated evaluation methodology. A literature search was performed with the use of electronic databases on 7 November 2024. Thirty-two articles were included as per the selection criteria. They evaluated 12 products (Carina Medical LLC INTContour (Lexington, KY, USA), Elekta AB ADMIRE (Stockholm, Sweden), Limbus AI Inc. Contour (Regina, SK, Canada), Manteia Medical Technologies Co. AccuContour (Jian Sheng, China), MIM Software Inc. Contour ProtégéAI (Cleveland, OH, USA), Mirada Medical Ltd. DLCExpert (Oxford, UK), MVision.ai Contour+ (Helsinki, Finland), Radformation Inc. AutoContour (New York, NY, USA), RaySearch Laboratories AB RayStation (Stockholm, Sweden), Siemens Healthineers AG AI-Rad Companion Organs RT, syngo.via RT Image Suite and DirectORGANS (Erlangen, Germany), Therapanacea Annotate (Paris, France), and Varian Medical Systems, Inc. Ethos (Palo Alto, CA, USA)). Their results illustrate that the DLAS products can delineate 12 organs at risk (abdominopelvic cavity, anal canal, bladder, body, cauda equina, left (L) and right (R) femurs, L and R pelvis, L and R proximal femurs, and sacrum) and four clinical target volumes (prostate, lymph nodes, prostate bed, and seminal vesicle bed) with clinically acceptable outcomes, resulting in delineation time reduction, 5.7–81.1%. Although NRG Oncology has recommended each clinical centre to perform its own DLAS product evaluation prior to clinical implementation, such evaluation seems more important for AccuContour and Ethos due to the methodological issues of the respective single studies, e.g., small dataset used, etc.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».