对临床引入的深度学习模型进行评估,用于计划乳腺癌放射治疗

科学领域:

• 辐射瘤学 辐射瘤学
• 医学物理 医学物理
• 人工智能在医学中的应用

背景情况:

• 放射治疗治疗计划是一个复杂的,耗时的过程.
• 深度学习 (DL) 模型为自动化放射治疗计划提供了潜力.
• 在放射治疗中DL模型的临床验证对于采用至关重要.

研究的目的:

• 评估深度学习模型的临床实用性,用于自动化全乳腺放射治疗规划.
• 评估手动调整对自动生成治疗计划的影响.
• 根据临床目标和剂量-体积组图 (DVH) 参数分析计划质量.

主要方法:

• 使用DL模型自动生成全乳腺放射治疗治疗计划.
• 由放射瘤学规划人员手动调整生成的计划.
• 评估计划与预定义的临床目标和DVH指标 (例如,心脏和肺部平均剂量) 相比.

主要成果:

• 50个自动生成计划中的37个 (74%) 在没有人工干预的情况下实现了所有临床目标.
• 在成功的13个计划中,应用了手动调整.
• 这些手动调整并没有显著改善心脏或肺部平均剂量.

结论:

• 评估的DL模型显示了全乳腺放射治疗计划的自动化潜力,初始计划的成功率很高.
• 需要对DL模型进行进一步优化,以提高计划质量并减少手动调整的需要.
• 建议加强规划人员对临床相关手动调整的教育,以最大限度地发挥自动化规划的好处.