深部学習を用いた前立腺IMRT患者における線量分布の評価：損失関数がモデル性能に与える影響

背景:

• 深部学習（DL）モデルは放射線治療線量予測にますます使用されている。
• これらのモデルの最適化には、損失関数の慎重な選択が必要である。
• 前立腺がん強度変調放射線治療（IMRT）計画は、特有の線量測定上の課題を提示する。

研究 の 目的:

• 前立腺IMRT線量予測のためのDLモデル性能に対する異なる損失関数の影響を評価する。
• 標準的な損失関数（MAE、MSE）とドメイン固有の知識を組み込んだ損失関数（DVH損失、モーメント損失）を比較する。
• IMRTにおけるDLベースの線量予測の臨床的適用性を評価する。

主な方法:

• 110例の前立腺がん患者症例の後ろ向き解析。
• 平均絶対誤差（MAE）、二乗平均平方根誤差（MSE）、MAE + 線量体積ヒストグラム（DVH）損失、およびMAE + モーメント損失を用いたDLモデルのトレーニング。
• 標的体積（PTV）およびリスク臓器（OAR）の線量測定指標を用いた性能評価。
• 一元配置分散分析（ANOVA）を用いた統計的比較。

主要な成果:

• MAE + モーメント損失で学習したDLモデルは、OARおよびPTVの線量偏差を減少させる上で優れた性能を示した。
• MAE + モーメント損失、MAE + DVH損失、MSE、およびMAEの平均絶対誤差（MAE）±標準偏差（SD）は、それぞれ（1.76 ± 0.5）Gy、（1.78 ± 0.5）Gy、（1.93 ± 0.6）Gy、および（2.02 ± 0.4）Gyであった。
• すべての予測線量分布は、グラウンドトゥルース計画と比較して臨床的に許容可能な精度を達成した。

結論:

• 損失関数の選択は、DLベースの前立腺IMRT線量予測の最適化にとって重要である。
• 特にモーメント損失のようなドメイン固有の知識を損失関数に統合することは、モデル性能を大幅に向上させる。
• これらの発見は、精密で個別化された放射線療法計画のためのDLモデルの実用的な応用を支持する。