中国科学技术大学核医学物理研究所博士研究生常艳奎（导师徐榭教授），在放疗医学物理杂志 Journal of Applied Clinical Medical Physics  (JACMP) 上发表了题为“Clinical application and improvement of a CNN-based autosegmentation model for clinical target volumes in cervical cancer radiotherapy”的研究性论文，论文的合作者包括：汪志、彭昭、周解平、皮一飞、裴曦、徐榭。该论文探究了宫颈癌靶区自动分割模型在临床推广应用中存在的精度降低的问题，并通过模型的微调提高自动分割模型在一个新医院应用时的精度，并于2021年10月13日在线发表。

论文选取了三个医院的宫颈癌临床患者数据，并根据患者数据的不同划分为5个数据集（每个数据集包含80个病例）。数据集1的数据用于训练初始的宫颈癌自动分割模型（预训练模型），然后测试预训练模型在5个数据集上的精度差异，并通过加载数据集2-5中的数据进行模型的微调，从而使得自动分割模型更加符合当地医院的勾画习惯，实验的流程图如图1所示。

图1 实验流程图

   自动分割模型的测试结果如图2所示，基于dataset1中的数据训练的预训练模型在自己的数据上表现良好，但是用到其他的数据集时精度会有不同程度的降低，通过模型的微调使得自动分割模型更贴合当地医院的勾画标准。

图2 不同数据集中的宫颈癌靶区勾画示例。红线：医生勾画的手动轮廓； 绿线：来自原始预训练模型的自动分割； 蓝线：自适应模型的自动分割； 黄线：对照模型（不加载预训练模型）的自动分割

   本研究的结果表明，在靶区自动分割模型的推广使用中，医生之间的勾画差异和不同中心数据的异质性会使得模型的精度有不同程度的降低，但是通过加载少量当地数据进行模型的微调可以使自动分割模型更加符合当地医院的勾画习惯，提高自动分割模型的推广和应用。我们课题组已经将这种自学习模块和模型微调的想法集成到了自动勾画软件DeepViewer中，使得DeepViewer的适用性得到了进一步的提高。

常艳奎于2018年加入核医学物理研究所，研究领域涉及放射治疗、人工智能和图像处理，研究方向为基于深度学习的自动勾画和图像引导放疗系统中的医学图像配准。

论文链接：

https://aapm.onlinelibrary.wiley.com/doi/full/10.1002/acm2.13440