DOI: https://doi.org/10.1038/s41598-026-46359-3
PMID: https://pubmed.ncbi.nlm.nih.gov/41965936
تاريخ النشر: 2026-04-11
المؤلف: Ralf Schmidt وآخرون
الموضوع الرئيسي: تقنيات العلاج الإشعاعي المتقدمة
نظرة عامة
تقييمت هذه الدراسة بدقة دقة التقسيم وكفاءته واستقراره لميزات الراديوميك للتخطيط اليدوي (MD) ، والذكاء الاصطناعي (AI) ، والتخطيط الهجين (MD + AI) لأعضاء الحوض باستخدام التصوير المقطعي المحوسب التخطيطي (pCT) وتصوير الأشعة المقطعية المخروطية HyperSight (hCBCT) في سياق العلاج الإشعاعي التكيفي. تم قياس توافق التقسيم باستخدام معامل تشابه دايس (Dice) والمسافة هاوسدورف في النسبة المئوية 95 (HD95). أشارت النتائج إلى أن التوافق كان الأعلى بالنسبة للمثانة وعظام الفخذ (وسيط دايس 0.95-0.96؛ HD95 1.88-2.17 مم) ، ومتوسط بالنسبة للبروستاتا والمستقيم (وسيط دايس 0.92؛ HD95 2.22-2.62 مم) ، والأدنى بالنسبة للحويصلات المنوية والجزء القضيبي (وسيط دايس 0.76-0.83؛ HD95 3.01-3.41 مم). من الجدير بالذكر أن طرق الذكاء الاصطناعي والهجين قللت من أوقات التخطيط بحوالي 90٪ و 60٪ على التوالي مقارنة بالطرق اليدوية. علاوة على ذلك ، كانت استقرار ميزات الراديوميك تختلف بشكل كبير عبر أوضاع التقسيم ، حيث أظهرت ميزات GLRLM استقرارًا أعلى مقارنة بالميزات الشكلية.
في الختام ، تمثل هذه الأبحاث جهدًا رائدًا لمقارنة التخطيط التلقائي القائم على الذكاء الاصطناعي ضمن سير عمل العلاج الإشعاعي التكيفي ، مما يبرز الإمكانية لوجود تقسيمات وميزات راديوميك قوية مستمدة من الذكاء الاصطناعي يمكن أن تسهل تعديلات العلاج الشخصية. تشير النتائج إلى أن الأساليب المدفوعة بالذكاء الاصطناعي قد تؤسس معيارًا جديدًا للأتمتة في تخطيط العلاج المستهدف التكيفي ، مما قد يعزز دمج العلامات الحيوية الراديوميك المستقرة في سير عمل العلاج الإشعاعي التكيفي.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم لتحديد أحجام الأهداف والأعضاء المعرضة للخطر بدقة في العلاج الإشعاعي الحديث ، لا سيما في استراتيجيات العلاج التكيفي. إن دمج الذكاء الاصطناعي (AI) وأنظمة التخطيط التلقائي ، مثل تلك التي تم تنفيذها في مسرع الإشعاع الخطي Ethos القادر على العلاج الإشعاعي التكيفي ، يقدم فرصة لتبسيط عملية التقسيم اليدوي ، مما يقلل من الوقت ومتطلبات الأفراد. يمكن تطبيق هذه الخوارزميات الذكية على كل من مسح التصوير المقطعي المحوسب (CT) التخطيطي ومسح التصوير المقطعي المخروطي قبل الفركشن ، والتي تعتبر جزءًا لا يتجزأ من سير عمل العلاج الإشعاعي التكيفي القائم على التصوير المقطعي.
على الرغم من الفوائد المحتملة للخطوط الناتجة عن الذكاء الاصطناعي ، هناك تباين كبير في قبولها ودقتها ، مما يتطلب تدخل الأطباء للتنقيح. لتقييم فعالية التخطيط المدعوم بالذكاء الاصطناعي في العلاج الإشعاعي التكيفي ، يجب إجراء مقارنة بين الخطوط التي تعتمد فقط على الذكاء الاصطناعي ، والخطوط اليدوية التي رسمها الخبراء ، والخطوط التي تم تنقيحها بواسطة الأطباء. هذا الأمر ذو صلة خاصة بتخطيط منطقة الحوض ، حيث يمكن أن يؤدي التباين بسبب ملء الأعضاء إلى تعقيد تحديد دقيق. علاوة على ذلك ، فإن إدخال تصوير HyperSight-CBCT الفركشن عالي الجودة يقدم بديلاً للتصوير المقطعي التخطيطي التقليدي ، مما يتطلب تقييمًا شاملاً لتخطيط الأعضاء التلقائي المدعوم بالذكاء الاصطناعي عبر كل من مسحات CT التشخيصية و hCBCT. تهدف الدراسة إلى استخراج معلمات تصوير كمية وميزات راديوميك متقدمة من هذه الخطوط ، والتي يمكن أن تعزز فهم شكل الأنسجة وقد تسهل التحليل التلقائي للعلامات الحيوية التنبؤية لاستجابة العلاج والسمية.
طرق
توضح قسم “الطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يتفصيل المواد المستخدمة ، بما في ذلك الكواشف المحددة والمعدات وأي عينات بيولوجية ، مما يضمن إمكانية إعادة الإنتاج. تشمل المنهجية إعداد التجربة ، بما في ذلك الضوابط والمتغيرات ، بالإضافة إلى التحليلات الإحصائية المطبقة لتفسير البيانات.
بالإضافة إلى ذلك ، قد يصف القسم البروتوكولات المتبعة لجمع البيانات ، مثل تقنيات أخذ العينات وطرق القياس وأي أدوات حسابية مستخدمة للتحليل. بشكل عام ، يخدم هذا القسم لتقديم نظرة شاملة على التقنيات والعمليات التي تدعم نتائج البحث ، مما يسمح بالتحقق والاستكشاف الإضافي من قبل باحثين آخرين في هذا المجال.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على إمكانيات التقسيم التلقائي القائم على الذكاء الاصطناعي لتخطيط أعضاء الحوض في العلاج الإشعاعي عالي الدقة ، خاصة للمرضى الذين يعانون من سرطان البروستاتا الأولي الذين تم علاجهم باستخدام hCBCT في eLinac. تقارن الدراسة بشكل منهجي بين التحديد اليدوي والطرق المدعومة بالذكاء الاصطناعي ، بهدف تقييم جودة وكفاءة هذه الحلول التلقائية. تشير النتائج إلى أن التقسيم المدعوم بالذكاء الاصطناعي يقلل بشكل كبير من وقت التخطيط – بأكثر من 90٪ لطرق الذكاء الاصطناعي فقط وحوالي 60٪ للنهج المدمجة بين الذكاء الاصطناعي واليدوي – مع الحفاظ على دقة هندسية عالية وتوافق حجمي عبر أوضاع التصوير المختلفة.
تشير تحليل تباين المراقبين إلى أن التخطيط المعزز بالذكاء الاصطناعي (MD + AI) يوفر توافقًا أفضل مقارنة بالتحديد اليدوي (MD) لعدة أعضاء ، بما في ذلك المثانة وعظام الفخذ ، مع تحسينات كبيرة في مقاييس مثل معامل تشابه دايس (DSC) والمسافة هاوسدورف (HD95). علاوة على ذلك ، وُجد أن استقرار ميزات الراديوميك المستخرجة من كل من مسحات pCT و hCBCT كان مرتفعًا ، خاصة بالنسبة للأعضاء الكبيرة ذات التباين العالي. ومع ذلك ، أظهرت الهياكل الأصغر استقرارًا أقل ، مما يشير إلى أنه بينما يمكن أن تعزز الأساليب القائمة على الذكاء الاصطناعي الكفاءة والدقة ، قد يكون من المفيد اتباع نهج مشترك مع تحقق الطبيب للأعضاء الصغيرة والمتغيرة تشريحيًا. بشكل عام ، تؤكد الدراسة على جدوى تنفيذ التقسيم المدفوع بالذكاء الاصطناعي في سير العمل السريرية ، مما قد يحول مراقبة واستهداف العلامات الإشعاعية خلال العلاج الإشعاعي التكيفي.
DOI: https://doi.org/10.1038/s41598-026-46359-3
PMID: https://pubmed.ncbi.nlm.nih.gov/41965936
Publication Date: 2026-04-11
Author(s): Ralf Schmidt et al.
Primary Topic: Advanced Radiotherapy Techniques
Overview
This study systematically assessed the segmentation accuracy, efficiency, and stability of radiomic features for manual (MD), artificial intelligence-based (AI), and hybrid (MD+AI) contouring of pelvic organs using planning CT (pCT) and HyperSight cone-beam CT (hCBCT) in the context of adaptive radiotherapy. The segmentation agreement was quantified using the Dice similarity coefficient and the 95th percentile Hausdorff distance (HD95). Results indicated that agreement was highest for the bladder and femora (median Dice 0.95-0.96; HD95 1.88-2.17 mm), intermediate for the prostate and rectum (median Dice 0.92; HD95 2.22-2.62 mm), and lowest for the seminal vesicles and penile bulb (median Dice 0.76-0.83; HD95 3.01-3.41 mm). Notably, AI and hybrid methods reduced contouring times by approximately 90% and 60%, respectively, compared to manual methods. Furthermore, radiomic feature stability varied significantly across segmentation modes, with GLRLM features demonstrating higher stability compared to morphological features.
In conclusion, this research represents a pioneering effort to compare AI-based autocontouring within the adaptive radiotherapy workflow, highlighting the potential for robust AI-derived segmentations and radiomic features that could facilitate personalized treatment adjustments. The findings suggest that AI-driven approaches may establish a new standard for automation in targeted adaptive treatment planning, potentially enhancing the integration of stable radiomic biomarkers into adaptive radiotherapy workflows.
Introduction
The introduction highlights the critical role of accurately delineating target volumes and organs at risk in modern radiotherapy, particularly in adaptive treatment strategies. The integration of artificial intelligence (AI) and automated contouring systems, such as those implemented in the adaptive radiotherapy-capable Ethos linear accelerator, presents an opportunity to streamline the manual segmentation process, thereby reducing time and personnel requirements. These AI algorithms can be applied to both planning computed tomography (CT) scans and pre-fractional cone-beam CT (CBCT) scans, which are integral to CT-based adaptive radiotherapy workflows.
Despite the potential benefits of AI-generated contours, there is significant variability in their acceptance and accuracy, necessitating physician intervention for refinement. To evaluate the efficacy of AI-assisted contouring in adaptive radiotherapy, a comparison must be made between AI-only contours, expert-drawn manual contours, and AI contours refined by clinicians. This is particularly pertinent for pelvic region contouring, where variability due to organ filling can complicate accurate delineation. Furthermore, the introduction of high-quality fractional HyperSight-CBCT imaging offers an alternative to conventional planning CT, warranting a comprehensive assessment of AI-guided automated organ contouring across both diagnostic CT and hCBCT scans. The study aims to derive quantitative imaging parameters and advanced radiomic features from these contours, which could enhance understanding of tissue morphology and potentially facilitate the automated analysis of predictive biomarkers for treatment response and toxicity.
Methods
The “Methods” section outlines the experimental design and procedures employed in the study. It details the materials used, including specific reagents, equipment, and any biological samples, ensuring reproducibility. The methodology encompasses the experimental setup, including controls and variables, as well as the statistical analyses applied to interpret the data.
Additionally, the section may describe the protocols followed for data collection, such as sampling techniques, measurement methods, and any computational tools utilized for analysis. Overall, this section serves to provide a comprehensive overview of the techniques and processes that underpin the research findings, allowing for validation and further exploration by other researchers in the field.
Discussion
The discussion section of the research paper highlights the potential of automated, AI-based segmentation for pelvic organ contouring in high-precision radiotherapy, specifically for patients with primary prostate cancer treated using hCBCT at the eLinac. The study systematically compares manual delineation with AI-guided methods, aiming to assess the quality and efficiency of these automated solutions. The findings suggest that AI-assisted segmentation significantly reduces contouring time—by over 90% for AI-only methods and approximately 60% for combined AI and manual approaches—while maintaining high geometric accuracy and volumetric agreement across different imaging modalities.
The analysis of interobserver variability indicates that AI-enhanced contouring (MD+AI) yields superior agreement compared to manual delineation (MD) for several organs, including the bladder and femora, with significant improvements in metrics such as the Dice Similarity Coefficient (DSC) and Hausdorff distance (HD95). Furthermore, the stability of radiomic features extracted from both pCT and hCBCT scans was found to be high, particularly for larger, high-contrast organs. However, smaller structures exhibited lower stability, suggesting that while AI-based methods can enhance efficiency and accuracy, a combined approach with physician validation may be beneficial for smaller, anatomically variable organs. Overall, the study underscores the feasibility of implementing AI-driven segmentation in clinical workflows, potentially transforming the monitoring and targeting of radiological markers during adaptive radiotherapy.