Helautomatisk rørledning for påvisning og segmentering av ikke-småcellet lungekreft (NSCLC) på CT-bilder

I denne studien har vi som mål å utvikle og teste en automatisert deep learning deteksjons- og segmenteringsprogramvare for ikke-småcellet lungekreft (NSCLC) som automatisk kan oppdage og segmentere svulster på CT-skanninger og dermed redusere den menneskelige variasjonen. Vi vil vurdere graden av enighet mellom en gruppe radiologer, som utfører manuell versus halvautomatisk tumorsegmentering. For å gjøre det, vil vi gi radiologer to sett med CT-skanninger. Det første settet vil segmenteres manuelt; den andre vil bli segmentert ved hjelp av det automatiserte programmet.

Deretter vil vi bruke inter- og intra-observatørvariansen fra den kliniske studien i en simulerings- eller modelleringsstudie. Vi sammenligner også tiden som trengs og konsistensen i segmenteringer av programvaren med legenes ytelse.

Pålitelighet og avtalestudie:

Primære svulster hos 25 lungekreftpasienter vil bli avgrenset av 6 segmenteringseksperter.

1. Vurder samsvar mellom automatisk segmentering og radiologsegmentering Primærsvulstene til 25 pasienter vil bli manuelt segmentert av radiologene og automatisk av verktøyet. Tiden som trengs for å utføre denne oppgaven og reproduserbarheten til segmenteringen vil bli registrert. Graden av overlapping mellom RO-ene og den automatiske konturen vil bli vurdert parvis ved å bruke terningskoeffisienten.
2. Avgrensning av svulster av ekspertene, assistert av programvareverktøyet. For ytterligere 25 pasienter vil ekspertene få en automatisk avgrensning, utført av verktøyet. De har muligheten til å justere og validere den. Tiden som trengs vil bli registrert. Forskjellen mellom gjennomsnittlig overlappingsfraksjon i den første situasjonen (manuell avgrensning av eksperter) og den andre situasjonen (avgrensning av eksperter + programvareverktøy) vil bli vurdert ved å bruke en multi-observatør terningskoeffisient.
3. Vurdering av intra-observatør varians Ekspertene vil gjenta segmenteringen av lungesvulstene etter 2 uker. De vil gjenta den manuelle segmenteringen (n=25) og den halvautomatiske segmenteringen (n=25). Dette vil gjøre det mulig å vurdere intra-observatør variansen i begge situasjoner.
4. Kvalitativ vurdering av ekspertenes preferanser ved hjelp av en egenutviklet visualiseringsverktøykasse.