Un nuevo modelo de aprendizaje profundo para predecir las distribuciones de dosis de IMRT para el cáncer de pulmón...

Área de la Ciencia:

• Física médica
• La radioterapia
• La inteligencia artificial en la medicina

Sus antecedentes:

• Los modelos 3D U-Net son cruciales para la predicción de la dosis de radioterapia.
• Los modelos actuales luchan con las regiones de dosis intermedia y baja en el cáncer de pulmón IMRT.
• Los métodos existentes se limitan a las técnicas convencionales de radioterapia.

Objetivo del estudio:

• Desarrollar un método mejorado de predicción de dosis para la radioterapia modulada por intensidad del cáncer de pulmón (IMRT).
• Investigar el impacto de la incorporación de la información de la máscara de dosis en los modelos 3D U-Net.
• Mejorar la precisión y la estabilidad de la predicción en varios esquemas de prescripción de radioterapia.

Principales métodos:

• Se utilizó un conjunto de datos mixtos de radioterapia convencional y de refuerzo integrado simultáneo (SIB).
• Incorpora imágenes de TC, estructuras anatómicas e información de la máscara de dosis como entradas del modelo.
• Se han entrenado cinco modelos 3D U-Net con un número variable de máscaras de dosis para evaluar su influencia.

Principales resultados:

• La inclusión de máscaras de dosis mejoró significativamente la precisión de la predicción para planificar los volúmenes objetivo (PTV) y los órganos en riesgo (OAR).
• El error medio absoluto (MAE) para las métricas dosimétricas en los OAR disminuyó por debajo del 2%.
• La EMA de Voxel se reduce consistentemente con el aumento de las máscaras de dosis, particularmente en áreas de dosis baja, mejorando la eficiencia y la estabilidad del entrenamiento.

Conclusiones:

• Se propuso un nuevo método de dosis asistida por máscara para la predicción de la dosis de IMRT en cáncer de pulmón.
• El método demostró una alta precisión y robustez en diversos escenarios clínicos y esquemas de prescripción.
• El aumento del número de máscaras de dosis mejoró progresivamente el rendimiento del modelo y la precisión predictiva.