针对适应性放射治疗中患者特定剂量预测的故意深度超拟合学习

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 机器学习 机器学习

背景情况:

• 适应性放射治疗 (ART) 旨在减少治疗期间患者解剖学的日常变化引起的剂量计不确定性.
• 目前的ART再优化是手动的,耗时的,低效的,在治疗中造成瓶.
• 准确的每日剂量预测对于最大限度地减少对有风险的器官 (OAR) 的辐射和优化计划目标体积 (PTV) 覆盖率至关重要.

研究的目的:

• 开发基于深度学习的自适应剂量预测模型,以解决当前ART再优化的低效性.
• 通过初始规划数据和故意深度过度调整学习 (IDOL) 方法,将预先训练的人口模型微调为特定患者的模型.
• 为了快速评估每日剂量变化,并促进及时重新优化头癌治疗.

主要方法:

• 在33名患者的数据上训练了一种适应性人口 (AP) 模型.
• 通过微调AP模型,使用10个个别患者的初始治疗计划,创建了特定患者 (FT-PS) 模型.
• 用26个ART治疗计划的测试数据集来回评估剂量预测性能,将FT-PS和AP模型与使用平均绝对百分比误差 (MAPE) 的基本真相剂量分布进行比较.

主要成果:

• 精心调整的,针对患者的 (FT-PS) 模型实现了较低的平均MAPE3.747%相比以人口为基础的 (AP) 模型的5.759%在10%的异位剂量体积内.
• 在FT-PS和AP模型之间的MAPE差异是统计学上显著的 (p <0.05,95% CI [-2.483,-1.542]).
• 在将FT-PS模型与AP模型进行比较时,在24个个别细分结构中的19个结构中观察到统计学上显著的改进.

结论:

• IDOL方法成功地将基于人群的剂量预测模型微调为有效的患者特异性自适应性放射治疗模型.
• 针对患者的特定模型显示,与基于人口的模型相比,剂量预测准确度的统计学上显著改善.
• 这种方法通过利用初始规划数据来反映医生的意图,从而提高适应性放射治疗的精度,为临床提供了好处.