适应性放射治疗食道癌的可行性研究,使用基于MR-Linac的人工智能自分化的食道癌
Huadong Wang1,2, Xin Liu2,3, Yajun Song1,2
1Department of Graduate, Shandong First Medical University (Shandong Academy of Medical Sciences), Jinan, China.
Frontiers in oncology
|June 26, 2023
概括
深度学习模型为食道癌的适应性辐射疗法自动化患者特定的细分,实现高精度和速度. 这种人工智能方法提高了治疗效率,同时保持了剂量测量效益.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 人工智能的人工智能
背景情况:
- 在线适应性放射治疗 (ART) 对食道癌 (EC) 治疗至关重要.
- 适应形状 (ATS) 工作流需要耗时的兴趣区域 (ROI) 的手动划分.
- 深度学习模型提供了在ART中自动化细分的潜力.
研究的目的:
- 开发和验证一个针对患者的深度学习模型,用于MR引导在线自适应性放射治疗中的自动细分.
- 评估这种方法在食道癌 (EC) 适应形状 (ATS) 工作流程中的可行性.
- 提高ATS工作流程的效率和准确性.
主要方法:
- 一个深度学习自分化 (AS) 模型被整合到一个模拟的ATS工作流中,用于9名EC患者接受MR-Linac治疗.
- 该模型每天使用循环训练过程更新,从前三个分数进行手动划分.
- 该系统被评估为界限精度 (子相似系数 - DSC),时间效率和剂量测量效益,包括对空气腔和胸部 (ATS+) 的评估.
主要成果:
- 平均自细分时间为1.40分钟.
- 在AS模型的DSC快速接近1,在四次培训课程后,所有ROI的平均值为0.9或更高.
- 与适应位置 (ATP) 计划相比,ATS计划显示了较小的规划目标体积 (PTV) 异质性指数,在ATS+组中对风险器官的剂量有所增加.
结论:
- 在ATS工作流程中基于AI的自细分满足了EC放射治疗的临床需求,匹配了ATP工作流速.
- 通过人工智能增强的ATS工作流保持了其剂量测量优势.
- 快速而精确的在线ATS治疗确保了足够的PTV剂量,同时减少了对心脏和肺部的辐射暴露.
