《Frontiers in Oncology》：Enhancing online adaptive radiotherapy with uncertainty based segmentation error and out-of-distribution detection
编辑推荐：
本综述探讨了深度学习（DL）分割不确定性在在线自适应放疗（online adaptive radiotherapy）中的关键作用。研究通过蒙特卡洛丢弃法（Monte Carlo dropout）量化磁共振（MR）图像中临床靶区（CTV）、膀胱和直肠分割的预测熵（PE）与互信息（MI），证明不确定性估计可有效识别错误分割（Dice分数差异达80%以上）并100%区分分布内外（OOD）数据，为临床质控提供新工具。
引言
放射治疗（RT）中，解剖分割是影响精准度的核心不确定性来源。本研究针对前列腺癌MR引导在线自适应放疗流程，探索深度学习分割模型的不确定性估计与分割正确性的关联，并验证其识别分布外（OOD）数据的能力。
材料与方法
研究采用36例前列腺癌患者的216次T2加权MRI扫描（训练/验证集151次，测试集65次），以U-Net架构结合空间随机丢弃（空间随机丢弃概率均值0.09）分割临床靶区（CTV）、膀胱和直肠。通过蒙特卡洛丢弃（MCD）进行50次随机前向传播，计算预测熵（PE）捕获预测不确定性（模型+数据），互信息（MI）捕获认知不确定性（模型）。基于PE阈值将像素划分为“确定组”与“不确定组”，以Dice相似系数（DSC）评估组间性能差异。另采用10名健康志愿者的稳态自由进动MRI作为OOD数据测试MI的分布区分能力。
结果
分割模型在测试集上Dice分数为CTV 85.7%、膀胱94.8%、直肠86.6%。PE分布显示，错误预测（假阳性/假阴性）中≥70%的PE值>0.10（30%集中于0.35），正确预测中≥97%的PE值≤0.05。当PE阈值从0.30升至0.36时，确定组Dice保持高位（CTV 0.87±0.02），不确定组急剧下降至0.01±0.01（图1）。不确定性图谱进一步揭示高不确定性集中于分割边界及错误预测区域（图2-4）。OOD数据通过MI实现100%区分，其全局MI值显著高于分布内数据（补充材料S5）。
讨论
研究表明不确定性估计与分割正确性高度相关，可通过可视化高不确定性区域（如<图5>）引导临床医生优先修正错误分割，提升在线自适应放疗效率。局限性包括使用单专家标注金标准、OOD数据仅包含一种对比度差异，以及2D模型未利用3D空间信息。未来需拓展至3D分割及多类型OOD数据验证。
结论
深度学习分割模型的不确定性估计能有效预警分割错误并识别分布外数据，为MR引导在线自适应放疗的质量控制提供关键技术支撑。
