单个患者学习适应性放射治疗剂量预测
Austen Maniscalco1, Xiao Liang1, Mu-Han Lin1
1Medical Artificial Intelligence and Automation Laboratory, Department of Radiation Oncology, University of Texas Southwestern Medical Center, Dallas, Texas, USA.
针对患者的深度学习模型改善了适应性辐射疗法 (ART) 剂量预测. 这种方法需要最小的患者数据,增强治疗个性化和放射瘤学家的临床可访问性.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 人工智能在医学中的应用
背景情况:
- 由于治疗期间的解剖学变化,维持放射治疗 (RT) 计划的准确性是具有挑战性的.
- 在线适应RT计划至关重要,但往往是手动和耗时的.
- 深度学习 (DL) 对简化自适应性辐射疗法 (ART) 是有前途的,但通常需要大量的数据集.
研究的目的:
- 在ART中引入一种简约的,针对患者的方法,用于适应剂量预测.
- 从头开始训练DL模型,只使用单个患者的初始治疗数据.
- 假设患者特定的DL模型将在剂量预测准确性方面优于基于人口的模型.
主要方法:
- 训练了一种基于人群的适应性 (AP) 模型,使用33名患者的数据.
- 训练有素的患者特定 (PS) 模型使用来自10个个体患者的初始RT数据.
- 在使用平均绝对百分比误差 (MAPE) 和统计显著性测试的26个ART计划测试集上评估模型性能.
主要成果:
- 与AP模型 (5.759%) 相比,PS模型实现了较低的平均MAPE (4.069%).
- 在AP和PS模型之间的MAPE差异是统计学上显著的 (p < 0.001).
- 在24个细分结构中的12个中观察到平均剂量的显著差异.
结论:
- 针对患者的DL模型显示了ART的巨大潜力,简化了训练过程,数据要求最小.
- 这种方法通过使个性化剂量预测成为可能,提高了临床可访问性.
- 单一患者学习策略为ART的个性化癌症治疗提供了一个有希望的途径.
更多相关视频
07:57Positron Emission Tomography-based Dose Painting Radiation Therapy in a Glioblastoma Rat Model using the Small Animal Radiation Research Platform
Published on: March 24, 2022
05:18Author Spotlight: Improving Radiation Therapy Access with Radiation Planning Assistant
Published on: October 6, 2023
相关概念视频
Dosage Regimens: Designs and Approaches
Dosage Regimens: Partial Pharmacokinetic Parameters
Dosage Regimen: Individualization
Drug Accumulation During Multiple Dosing: Repetitive IV Injections
Determination of Multiple Dosing Parameters: Loading and Maintenance Doses
Drug Dosing in Renal Diseases: Dose Adjustments Based on Drug Clearance and Elimination Rate Constant
