改进基于知识的肺癌放射治疗治疗计划,使用自动的多标准优化培训计划

科学领域:

• 医学物理 医学物理
• 辐射瘤学 辐射瘤学
• 人工智能在医学中的应用

背景情况:

• 基于知识的规划 (KBP) 是一种使用培训计划来预测优化目标的自动化放射治疗规划方法.
• 肯德基培训公司的有效性取决于其培训数据的质量.
• 将新的自动化计划系统集成到临床工作流中,需要仔细考虑培训数据生成.

研究的目的:

• 评估培训数据源对KBP模型性能的影响.
• 用手动创建的KBP模型与自动生成的多标准优化 (MCO) 计划进行比较.
• 评估由MCO培训的KBP模型提供的临床实用性和潜在的风险器官 (OAR) 节省的改善.

主要方法:

• 使用30名局部晚期非小细胞肺癌患者创建了两个RapidPlan (KBP) 模型:一个是手动创建的临床计划 (RP_CLIN),一个是完全自动化的MCO计划 (RP_MCO).
• 在15名患者身上验证了模型性能,比较了剂量-体积参数和正常组织并发症概率 (NTCP).
• 一位瘤学家对临床 (CLIN),RP_CLIN和RP_MCO计划进行了盲目比较.

主要成果:

• 与RP_CLIN相比,RP_MCO证明了对心脏和食道的优越OAR节省.
• RP_MCO导致2年死亡风险平均降低0.9%,急性食道毒性风险降低1.6%.
• 一位瘤学家更喜欢8名患者的RP_MCO计划和7名患者的CLIN计划,不喜欢RP_CLIN计划.

结论:

• 与使用自动生成的MCO计划 (RP_MCO) 训练KBP模型相比,使用手动创建的临床计划 (RP_CLIN) 显著改善了OAR节省和NTCP.
• 由于其卓越的性能,RP_MCO方法被选择用于临床实施.
• 在KBP模型创建过程中优化培训图书馆计划对于提高未来治疗计划质量至关重要.