Auto-segmentering i doseplanlegging av hjertet som risikoorgan ved strålebehandling for brystkreft: en vurdering av atlasbasert og dyplæringsbasert nøyaktighet

Abstract

Bakgrunn: Brystkreft er den vanligste kreftformen blant kvinner i Norge, og strålebehandling inngår ofte som behandlingsmetode. Ved CT-doseplan tegnes en individuell behandlingsplan for målvolum og risikoorganer (OAR), noe som er tidkrevende ved manuell segmentering (MS). Ved hjelp av kunstig intelligens (KI) er atlas- og dyplæringsbaserte metoder utviklet og benyttet som verktøy for auto-segmentering (AS). Hensikten med oppgaven er å vurdere nøyaktigheten til atlasbasert- og dyplæringsbasert auto-segmentering i doseplanlegging av hjertet som risikoorgan hos brystkreftpasienter ved strålebehandling. Metode: Det ble utført systematiske litteratursøk i PubMed og ORIA 21.02.2024. Søkekriteriene var utgivelsesår 2019-2024, fagfellevurdert, publisert på engelsk og utført på pasienter med brystkreft behandlet med stråleterapi med auto-segmentert doseplan. Resultater fra Dice Similarity Coefficient (DSC), Surface DSC (sDSC), Jaccard Similarity Coefficient (JSC), Hausdorff distance (HD) og Intraobserver Variability (IOV) ble sammenlignet og brukt for å vurdere nøyaktigheten til dyplæringsbasert auto-segmentering (DLAS) og atlasbasert auto-segmentering (ABAS) på hjertet. Resultat: Ti artikler ble inkludert i denne litteraturstudien, hvorav 6 har vurdert DLAS og 4 har vurdert ABAS. DLAS og ABAS ble vurdert som like bra eller bedre enn MS, og alle studiene vurderte modellene sine som klinisk anvendelige. DLAS og ABAS reduserte tidsbruken og effektiviserte doseplanleggingen. Fordeler med tidsbesparelse og effektivisering av arbeidet er at helsepersonell ved stråleterapiavdelinger kan få mer tid til flere oppgaver og pasientnært arbeid. Det vil også komme pasienter og samfunnet til gode, hvor flere pasienter kan få planlagt og utført behandlingen sin raskere. I lys av eldrebølgen og et økende antall krefttilfeller, er det spesielt viktig med slike verktøy. Konklusjon: DLAS er noe mer nøyaktig enn ABAS innen AS av hjertet, med en høyere skår på metrikker som DSC og HD. Både DLAS og ABAS som metoder ble vurdert som like bra eller bedre enn MS, og alle studiene regnet modellene sine som klinisk anvendbare.

Background: Breast cancer is the most common cancer type among women in Norway, and radiation therapy is often a part of the treatment. In CT dose planning, an individual treatment plan is drawn for target volumes and organs at risk (OAR), which is time-consuming done with manual segmentation (MS). With help from artificial intelligence (AI), atlas- and deep-learning-based methods have been developed and used as tools for auto-segmentation (AS). The purpose of this study is to assess the accuracy of atlas-based and deep learning-based auto-segmentation in dose planning of the heart as an organ at risk, in breast cancer patients undergoing radiation therapy. Method: Systematic literature searches were conducted in PubMed and ORIA on 21.02. 2024. The search criteria included publication years 2019-2024, peer-reviewed, published in English, and performed on breast cancer patients undergoing radiation therapy with auto-segmented dose planning. Results from Dice Similarity Coefficient (DSC), Surface DSC (sDSC), Jaccard Similarity Coefficient (JSC), Hausdorff distance (HD), and Intraobserver Variability (IOV) were compared and used to assess the accuracy of deep learning-based auto-segmentation (DLAS) and atlas-based auto-segmentation on the heart. Results: Ten articles were included in this literature study, of which 6 evaluated DLAS and 4 evaluated ABAS. DLAS and ABAS considered their models clinically applicable. DLAS and ABAS reduced time consumption and streamlined dose planning. The benefits of time savings and streamlining of work, give healthcare professionals within radiotherapy, more time for additional tasks and patient-centered work. This will also benefit patients and society, as more patients can have their treatment planned and performed more quickly. Considering the aging population and increasing number of cancer cases, such tools are especially important. Conclusion: DLAS is slightly more accurate than ABAS within AS of the heart, with higher scores on metrics such as DSC and HD. Both DLAS and ABAS as methods were assessed as good as or better than MS, and all included studies considered their models clinically applicable.