基于多任务学习的自动分割质量预测模型在直肠癌临床靶区中的应用

摘要

目的：针对放疗自动分割结果仍需人工逐层审核、质控效率较低的问题，提出一种自动分割质量预测模型，以提高自动分割结果的审核效率。方法：基于Transformer框架，并结合多任务学习策略，构建一个端到端的质量预测模型。该模型以CT图像与分割掩码为输入，输出对应分割图的Dice相似性系数（DSC）预测值。收集570例直肠癌患者的放疗数据，针对临床靶区（CTV）分割结果进行质量预测，采用平均绝对误差（MAE）作为主要评估指标。结果：多任务训练策略下模型预测CTV分割的DSC的MAE为0.0354±0.0422，优于单任务训练的0.0402±0.0536，表明多任务学习有助于提升预测精度。结论：本研究提出的多任务质量预测模型在直肠癌CTV分割质量评估中表现出良好的准确性，模型可用于辅助临床快速识别有问题的分割层面，为医生提供量化参考指标，从而提高分割审核效率，推动放疗流程的智能化与标准化。

关键词

直肠癌 / 预测模型 / 自动分割 / 分割质量预测 / 多任务学习