AI基于分割的定量PET方法的客观任务评估的需求
摘要：评估基于人工智能的分割方法在肿瘤正电子发射断层成像（PET）图像分割中展示了很大的前景。对于这些方法的临床应用，评估它们在临床相关任务中的性能至关重要。然而，这些方法通常使用的评估指标可能与任务性能不相关。其中一种广泛使用的指标是Dice分数，它衡量了估计分割与参考标准（例如手动分割）之间的空间重叠。在这项工作中，我们探讨了使用Dice分数评估基于人工智能的分割方法是否与评估非小细胞肺癌患者PET图像中原发肿瘤的代谢瘤体积（MTV）和总病灶糖代谢（TLG）的临床任务的结果相似。此调查是通过对ECOG-ACRIN 6668/RTOG 0235多中心临床试验数据的回顾性分析进行的。具体而言，我们评估了常用的基于人工智能的分割方法的不同结构，使用了Dice分数和MTV/TLG定量精度进行评估。我们的结果表明，使用Dice分数进行评估可能导致与基于任务的表现度量评估不一致的结果。因此，我们的研究表明了需要对基于人工智能的分割方法进行客观的基于任务的评估以用于定量PET。
作者：Ziping Liu, Joyce C. Mhlanga, Barry A. Siegel, Abhinav K. Jha
论文ID：2303.00640
分类：Medical Physics
分类简称：physics.med-ph
提交时间：2023-04-19