ディープラーニングベースの子宮頸がん放射線治療の自動計画に関する基準校正アプローチ

科学分野:

• 医学物理学
• 放射線腫瘍学
• 機械学習

背景:

• 知識ベースの計画 (KBP) は,放射線量の予測のための機械学習を統合します.
• 既存のモデルは 独特のニーズを持つ患者に 迅速に適応するのに苦労します
• 放射線治療の有効性には正確な用量予測が不可欠です.

研究 の 目的:

• 子宮頸がんの放射線治療における自動計画改善のための用量予測モデルを校正する.
• 特定の患者の要求に応える放射線治療計画の品質と正確さを向上させる.
• 先程訓練されたモデルを新しい臨床基準に適応させるという課題に取り組むこと.

主な方法:

• 200人の子宮頸がん症例のKBPに関する遡及的分析
• 卵巣保護と骨髄抑制のケース21を使用した校正と評価.
• 3つの校正アプローチの比較:予測耐性,転送学習,および混合密度ネットワーク (MDN).

主要な成果:

• 卵巣の保護などの特定のニーズに迅速な調整を可能にしました.
• 受け入れられる計画には 最小限のデータと時間が必要でした
• MDNは,データセット分析に理想的な,強固な予測と最適化結果との高い一貫性を実証しました.

結論:

• 3つの校正方法による自動KBPワークフローが実証されました.
• これらの方法は,既存のモデルを様々なシナリオで新しい基準に適応させることができます.
• すべてのアプローチは,異なるトレードオフにもかかわらず,実行可能な放射線治療計画をもたらしました.