Predicción de la forma anatómica del recto intrafaccional basada en la representación de nubes de puntos 3D en...

Área de la Ciencia:

• Física Médica
• Inteligencia Artificial en Medicina
• Tecnología de Radioterapia

Sus antecedentes:

• La radioterapia adaptativa en línea (OART) para el cáncer de próstata requiere un monitoreo anatómico intrafaccional preciso.
• La predicción de las variaciones en la forma del recto durante el tratamiento es crucial para mantener la precisión de la radioterapia y minimizar los efectos secundarios.

Objetivo del estudio:

• Desarrollar un modelo de inteligencia artificial (IA) generativa para predecir los cambios intrafaccionales en la forma del recto en OART para el cáncer de próstata.
• Evaluar el rendimiento del modelo desarrollado frente a los enfoques convencionales de aprendizaje profundo.

Principales métodos:

• Análisis retrospectivo de datos de RM de 42 pacientes con cáncer de próstata sometidos a OART.
• Desarrollo del modelo de IA generativa SA-UNet para la predicción de la forma del recto en 3D a partir de datos de nubes de puntos.
• Comparación de SA-UNet con los modelos Baseline-MLP y Baseline-PointCNN utilizando el coeficiente Dice (CD), la distancia del transportador de tierra (EMD) y el índice de Jaccard (JAC).

Principales resultados:

• SA-UNet demostró un rendimiento superior con la menor CD (29,06 mm) y EMD (4,82 mm) promedio, y la mayor JAC (0,69).
• SA-UNet mostró una consistencia significativamente mayor en las fracciones de tratamiento en comparación con Baseline-MLP (p < 0,025).
• SA-UNet superó significativamente a Baseline-PointCNN en todas las métricas evaluadas (p < 0,01).

Conclusiones:

• El modelo SA-UNet muestra viabilidad preliminar para la predicción de la forma del recto intrafaccional en tiempo real en OART.
• Este enfoque impulsado por IA tiene el potencial de permitir advertencias tempranas de cambios anatómicos y mejorar la precisión de la radioterapia.