マルチアウトプット回帰を用いたNSCLC治療計画における知識ベースのトレードオフ予測

科学分野:

• 放射線腫瘍学
• 医学物理学
• コンピュータ生物学

背景:

• 知識ベースの計画 (KBP) は,過去の治療データを活用して,リスクのある臓器 (OAR) の用量ヒストグラム (DVH) パラメータを予測します.
• 現在のKBP方法は,臨床意思決定に不可欠な潜在的なトレードオフを無視して,単一の計画結果を予測します.
• これは,非小細胞肺がん (NSCLC) のような複雑な症例の治療計画の最適化を制限しています.

研究 の 目的:

• 地元で高度なNSCLCのためのKBPトレードオフ予測モデルを開発する.
• 臨床医が治療計画過程で情報に基づいた決定を下すのを支援する.
• プランニングのトレードオフを 単一のパレト最適点を超えて 探求すること

主な方法:

• バランスとトレードオフのプランを優先してOARを節約するなど,患者あたり13のVMATプランのバリエーションを生成した (n=53).
• OAR DVH の最初の3つの主要成分をターゲットとして,53の解剖学的特徴を予測者として利用した.
• 13のプラン-OARの主要なDVHコンポーネントを予測するためにランダムな森林のマルチアウトプット回帰モデルを訓練しました.

主要な成果:

• KBPのトレードオフモデルは,平均RMSE (5.32対27.3) を示し,バランスのとれたモデルを大幅に上回った.
• トレードオフモデルでは,脊髄Dmax,食道Dmax,肺/心臓V20Gy/V30Gyを含む重要なDVH指標の平均絶対誤差が低かった.
• 統計的有意性 (p < 0. 01) は,すべての比較指標で観察され,モデルの優れた予測精度を強調した.

結論:

• 開発されたKBPのトレードオフモデルは,NSCLC治療の計画変動を確実に予測します.
• このモデルは,事前計画中に実行可能なトレードオフの見積もりを提供する意思決定支援ツールとして機能します.
• ワークフローに統合することで,治療計画効率を高め,プランの質を向上させることができます.