《Physics and Imaging in Radiation Oncology》：Manual brush vs artificial intelligence pencil: evaluating tools for auto-contour refinement of head-and-neck tumors on positron emission tomography and computed tomography scans
编辑推荐：
在自动轮廓质量评估中，比较二维（2D）手动刷与二维人工智能（AI）铅笔；AI铅笔能够将二维稀疏交互（如涂鸦）传播至三维；肿瘤科医生（专家）与非专家均参与本研究；对专家而言，AI铅笔较手动刷更快（中位数=234 s，70%）；两种工具的观察者间变异性（inter
在自动轮廓质量评估中，比较二维（2D）手动刷与二维人工智能（AI）铅笔；AI铅笔能够将二维稀疏交互（如涂鸦）传播至三维；肿瘤科医生（专家）与非专家均参与本研究；对专家而言，AI铅笔较手动刷更快（中位数=234 s，70%）；两种工具的观察者间变异性（inter-observer variability, IoV）为0.81至0.95。
研究背景：放射治疗中的自动轮廓（auto-contouring）在过去10年因深度学习人工智能（AI）模型改进和商业工具普及而进展显著，其广泛使用主要归因于时间收益。然而这些工具仍不完美，临床医生需进行耗时的质量评估（quality assessment, QA）和精修（refinement），该瓶颈抵消部分时间收益。已有少量自动技术通过错误检测或错误纠正减少精修瓶颈；错误纠正中用户以稀疏反馈迭代改善不完美自动轮廓，反馈常为错误区域中的稀疏视觉线索，如铅笔笔画（点或涂鸦）。与需修正所有错误体素的密集刷交互相比，点和涂鸦属稀疏交互。稀疏输入轮廓研究多报道单步自动轮廓的二维（2D）或三维（3D）模型，仅少数报道迭代轮廓精修；两项迭代精修研究以临床用户报道时间节省，但模型仅取单一模态输入。基于真实临床用户的时间评估重要，因此研究人员构建轻量多模态3D模型，并追踪随用户提供更多交互时轮廓指标的演变。主要目的是在真实用户中比较手动刷和AI铅笔两种精修工具的时间效率和轮廓质量；进一步评估迭代精修过程中用户交互和精修结果在两工具间的差异。Prerak Mody等使用头颈部肿瘤数据集训练自动轮廓和轮廓精修模型（AI铅笔），并在网页界面由用户评估工具。研究显示AI铅笔可理解稀疏视觉线索并将2D线索传播为3D更新，减少QA总时间：非专家中位49%（258.5 s），专家中位70%（234 s）；AI铅笔的轮廓质量与手动刷相似，并略改善专家间标准化。其意义在于以人为中心的AI辅助可减少自动轮廓QA瓶颈，同时保持轮廓质量，但应视为辅助精修工具而非完全替代手动编辑。
关键技术方法：使用HECKTOR2022头颈部肿瘤数据集，含7家诊所、4个国家524对CT和PET扫描；加拿大、瑞士、美国452对用于训练和验证，法国72对用于测试。采用MONAI软件包中的标准UNet架构（约1.2 M参数）分别训练自动轮廓和轮廓精修模型，均用交叉熵损失。自动轮廓模型输入CT和PET并输出肿瘤掩膜；精修模型输入CT、PET、先前预测轮廓、肿瘤涂鸦和非肿瘤涂鸦并输出精修轮廓；训练时在自动轮廓预测的假阳性（FP）和假阴性（FN）区域生成逻辑2D涂鸦模拟人工输入。用Dice和表面Dice（surface Dice @2 mm）评估；网页界面记录绝对时间、交互次数、绘制像素和滚动层数；4名放疗肿瘤科专家（2/4/11/21年经验）和7名非专家（医学影像AI博士生）参与。
3. Results：研究人员首先在测试集评估自动轮廓模型，平均Dice为0.76、表面Dice@2 mm为0.72；从中选5例表面Dice在[0.65,0.7]范围作为需QA病例（P1、P2、P4-P6），1例表面Dice 0.88作为高质量病例（P3）。比较工具精修自动轮廓时，非专家会话中AI铅笔快[5%-78%]（中位49%或258.5 s），专家会话中快[16%-97%]（中位70%或234 s）；AI铅笔背后模型平均推理时间2.9 s并计入总时间。AI铅笔所需交互次数在非专家和专家会话分别少[14%-87%]和[55%-97%]。对配对时间差（专家与非专家合计66次会话）的回顾性功效分析显示大效应量（Cohen's d=1.39），α=0.05时统计功效>0.99。绘制像素在非专家和专家会话分别少[63%-93%]和[81%-99%]。视觉结果显示，AI铅笔涂鸦用于纠正假阳性（FP）和假阴性（FN）；无论涂鸦风格，2D稀疏涂鸦在某一层面s上的改变可传播至3D，在s-1和s+1层面可见更新；部分交互一次涂鸦即与参考轮廓对齐，部分仍需更多交互。专家结果以Dice（表面Dice@2 mm）报告：工具间变异性（ItV）范围[0.67,0.89]（[0.58,0.85]），平均0.81（0.77）；观察者间变异性（IoV）平均手动刷0.89（0.90）、AI铅笔0.90（0.92）；与HECKTOR2022数据集金标准比较，平均手动刷0.84（0.81）、AI铅笔0.84（0.85）。金标准经复核，原始未复核值见补充材料。结论：AI铅笔更快、交互和像素更少，最终轮廓与手动刷相似，IoV略优。
4. Discussion：自动轮廓普及减少放疗轮廓瓶颈，加速其QA将进一步减少瓶颈。AI铅笔可理解稀疏视觉线索并2D至3D传播，降低QA时间。非专家先作为原理验证，因需给目标参考；专家未看参考，代表临床相关评估。时间为主指标，交互次数为次要描述；单次交互时长和效果可因工具而异。高初始Dice病例中AI铅笔早期性能下降后在20%手动刷交互后恢复，可能因两个AI模型内部未对齐，首次迭代仍少人工输入时可能默认自身预测。手动刷缓慢稳定提升，AI铅笔更陡后平台，因手动刷一次只能编辑一个层面，AI铅笔可用稀疏2D涂鸦在3D精修。ItV显示专家无论工具对同一患者产生相似轮廓；临床常用MRI、病程记录和内镜视频但HECKTOR2022无这些资源，可能影响ItV。IoV示AI铅笔使专家最终肿瘤轮廓标准化稍好（0.01差异忽略）。与金标准平均Dice（表面Dice@2 mm）差异0.00（0.04），缓解快速精修质量差担忧；P4金标准不正确但为避选择偏倚保留，移除后两工具平均Dice均0.84，结论相同。自动轮廓模型Dice 0.76与近期多中心验证[0.74–0.80]一致，分布外性能降至[0.6–0.7]常见，代表真实工作流。选择简单UNet而非nnUNet（约30 M参数）以标准化设计并快速预测；同一数据集用于两任务因标注数据有限。理想应嵌入商业平台，但常用商业软件无程序接口，故用开源库构建网页平台；AI铅笔可集成3DSlicer或Napari，网页框架便于多机构专家。既往研究2D、2.5D和3D交互轮廓；未来应发布兼具2D和3D能力模型；开放基准数据集多为单模态，放疗多模态，未来需多模态数据集；仅CT场景应训练有/无PET的精修模型；大型3D模型推理时间重要。随自动轮廓改善交互使用减少，但总有一些病例需编辑；AI铅笔适合明显或大FP/FN区域，小孤立错误或模糊边界仍需手动刷，应视为辅助工具非完全替代且需短用户培训。局限：11用户为迄今最大但单一人口（法国CHUP诊所）6患者，分析与HECKTOR2022训练队列强绑定可能偏倚；未来需扩大规模、扫描仪变异和人口多样性；自制轻量模型影响结果，商业工具可提高临床意义。研究结论（译）：随着癌症病例预计增加和放疗临床医生短缺，自动化放疗工作流的需求日益增加。然而，由于人工监督仍至关重要，以人为中心的人工智能技术，如所提出的用于轮廓质量精修的AI铅笔，将对实现高质量放疗护理的安全与效率标准至关重要。
