Evaluación de la distribución de dosis en pacientes con radioterapia de intensidad modulada prostática mediante...

Área de la Ciencia:

• Física Médica
• Radioterapia
• Aprendizaje Automático

Sus antecedentes:

• Los modelos de aprendizaje profundo (DL) se utilizan cada vez más para la predicción de dosis en radioterapia.
• La optimización de estos modelos requiere una cuidadosa selección de las funciones de pérdida.
• La planificación de la radioterapia de intensidad modulada (IMRT) para el cáncer de próstata presenta desafíos dosimétricos únicos.

Objetivo del estudio:

• Evaluar el impacto de diferentes funciones de pérdida en el rendimiento del modelo de aprendizaje profundo para la predicción de dosis en radioterapia de intensidad modulada prostática.
• Comparar funciones de pérdida estándar (MAE, MSE) con aquellas que incorporan conocimiento específico del dominio (pérdida DVH, pérdida de momento).
• Evaluar la aplicabilidad clínica de la predicción de dosis basada en aprendizaje profundo en radioterapia de intensidad modulada.

Principales métodos:

• Análisis retrospectivo de 110 casos de pacientes con cáncer de próstata.
• Entrenamiento de modelos de DL con Error Absoluto Medio (MAE), Error Cuadrático Medio (MSE), pérdida MAE + Histograma Dosis-Volumen (DVH) y pérdida MAE + momento.
• Evaluación del rendimiento utilizando métricas dosimétricas del volumen blanco planificado (PTV) y órganos en riesgo (OAR).
• Comparación estadística mediante análisis de varianza (ANOVA) unidireccional.

Principales resultados:

• El modelo de aprendizaje profundo entrenado con pérdida MAE más pérdida de momento demostró un rendimiento superior en la reducción de las desviaciones de dosis para OAR y PTV.
• Errores Absolutos Medios (MAE) ± desviación estándar (SD) para pérdida MAE + momento, pérdida MAE + DVH, MSE y MAE fueron (1.76 ± 0.5) Gy, (1.78 ± 0.5) Gy, (1.93 ± 0.6) Gy y (2.02 ± 0.4) Gy, respectivamente.
• Todas las distribuciones de dosis predichas alcanzaron una precisión clínicamente aceptable en comparación con los planes de referencia.

Conclusiones:

• La selección de la función de pérdida es fundamental para optimizar la predicción de dosis de IMRT prostática basada en DL.
• La integración de conocimiento específico del dominio en las funciones de pérdida, en particular la pérdida de momento, mejora significativamente el rendimiento del modelo.
• Estos hallazgos respaldan la aplicación práctica de modelos de DL para una planificación precisa y personalizada de la radioterapia.