Enfoques de calibración de criterios para la planificación automática del tratamiento de radiación del cáncer...

Área de la Ciencia:

• Física médica
• Radiología Oncológica
• Aprendizaje automático

Sus antecedentes:

• La planificación basada en el conocimiento (KBP) integra el aprendizaje automático para la predicción de la dosis de radiación.
• Los modelos existentes luchan por adaptarse rápidamente a los pacientes con necesidades únicas.
• La predicción precisa de la dosis es crucial para una radioterapia eficaz.

Objetivo del estudio:

• Calibrar modelos de predicción de dosis para una mejor planificación automática en la radioterapia del cáncer cervical.
• Mejorar la calidad y la precisión de los planes de radiación para las necesidades específicas de los pacientes.
• Abordar el desafío de adaptar modelos previamente formados a nuevos criterios clínicos.

Principales métodos:

• Análisis retrospectivo de 200 casos de cáncer de cuello uterino para KBP.
• Calibración y evaluación utilizando 21 casos de protección ovárica y mielosupresores.
• Comparación de tres enfoques de calibración: Tolerancia de predicción, aprendizaje de transferencia y red de densidad de mezcla (MDN).

Principales resultados:

• La tolerancia de predicción permitió ajustes rápidos para necesidades específicas como la protección de los ovarios.
• El aprendizaje de transferencia requería un mínimo de datos y tiempo para planes aceptables.
• MDN demostró predicciones robustas y alta consistencia con los resultados de optimización, ideal para el análisis de conjuntos de datos.

Conclusiones:

• Se demostró un flujo de trabajo KBP automático con tres métodos de calibración.
• Estos métodos pueden adaptar los modelos existentes a nuevos criterios en diversos escenarios.
• Todos los enfoques arrojaron planes de tratamiento de radiación factibles, a pesar de las diferentes compensaciones.