Deep Learning für automatische Konturierung in der Rektumkrebs-Strahlentherapie: longitudinale Wirksamkeit
Von KI ausgewählt und zusammengefasst
Worum es geht
Real-World-Analyse der klinischen Auswirkungen Implementierung und iterativen Updates eines Deep-Learning-Systems zur automatischen Zielvolumen- und Risikoorgankonturierung bei Rektumkrebspatienten (Kohorten: pre-Implementation n=50, post-Implementation n=50, post-Update n=50).
Ergebnis
Nach System-Update verbesserten sich Dice-Koeffizienten: CTV von 0,88±0,04 auf 0,93±0,04 (p<0,001), Risikoorgane von 0,88±0,05 auf 0,95±0,02 (p<0,001). Fehlerquote sank um 80,6%. Auto2-assistierte Methode reduzierte Konturierungszeit um 58,8% gegenüber manuell, 21,9% gegenüber Auto1. 99,2% der überarbeiteten Konturen erhielten Likert-Score ≥4 von klinischen Experten.
Übertragbarkeit auf Deutschland
China/Pekinger Krebszentrum, aber Deep-Learning-Architektur und Workflow-Prinzipien auf europäische Zentren übertragbar.
Originalstudie in PubMedIm Hub ansehenNeue Studien per E-Mail
Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.