Can Deep Learning-Based Auto-Contouring Software Achieve Accurate Pelvic Volume Delineation in Volumetric Image-Guided Radiotherapy for Prostate Cancer? A Preliminary Multicentric Analysis
Notice bibliographique
Résumé
Background: Radiotherapy (RT) is a mainstay treatment for prostate cancer (PC). Accurate delineation of organs at risk (OARs) is crucial for optimizing the therapeutic window by minimizing side effects. Manual segmentation is time-consuming and prone to inter-operator variability. This study investigates the performance of Limbus® Contour® (LC), a deep learning-based auto-contouring software, in delineating pelvic structures in PC patients. Methods: We evaluated LC’s performance on key structures (bowel bag, bladder, rectum, sigmoid colon, and pelvic lymph nodes) in 52 patients. We compared auto-contoured structures with those manually delineated by radiation oncologists using different metrics. Results: LC achieved good agreement for the bladder (median Dice: 0.95) and rectum (median Dice: 0.83). However, limitations were observed for the bowel bag (median Dice: 0.64) and sigmoid colon (median Dice: 0.6), with inclusion of irrelevant structures. While the median Dice for pelvic lymph nodes was acceptable (0.73), the software lacked sub-regional differentiation, limiting its applicability in certain other oncologic settings. Conclusions: LC shows promise for automating OAR delineation in prostate radiotherapy, particularly for the bladder and rectum. Improvements are needed for bowel bag, sigmoid colon, and lymph node sub-regionalization. Further validation with a broader and larger patient cohort is recommended to assess generalizability.
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 | 0,009 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».