预测性数字双胞胎用于优化患者特定的放射治疗方案,在高度质瘤的不确定性下
Anirban Chaudhuri1, Graham Pash1, David A Hormuth1,2
1Oden Institute for Computational Engineering and Sciences, The University of Texas at Austin, Austin, TX, United States.
Frontiers in artificial intelligence
|October 27, 2023
概括
我们开发了一种数字双胞胎方法,用于个性化癌症治疗. 这种方法通过平衡瘤控制和最大限度地降低毒性来优化放射治疗,改善高度质瘤患者的治疗结果.
科学领域:
- 计算生物学 计算生物学
- 医学物理 医学物理
- 在瘤学瘤学.
背景情况:
- 高度质瘤对标准辐射疗法呈现异质反应,导致不理想的结果.
- 个性化治疗对于优化放射治疗疗效和最大限度地减少毒性至关重要.
研究的目的:
- 为风险意识的临床决策制定数据驱动的预测数字双胞胎方法.
- 为了实现高度质瘤的预期性,个性化放射治疗,以解释瘤生物学不确定性.
主要方法:
- 使用人口数据初始化了一种机械模型,然后使用贝叶斯校准与患者特定的MRI数据进行个性化.
- 在不确定性下采用多目标,基于风险的优化来确定最佳的放射治疗方案.
- 使用100名高度质瘤患者的in silico队列验证了框架.
主要成果:
- 个性化治疗方案增加了相同的总辐射剂量中瘤进展的中位数时间,为6天.
- 与标准护理相比,实现了平均16.7% (10 Gy) 的辐射剂量减少,以获得相当的瘤控制.
- 确定了针对攻击性癌症的治疗选择,在这些癌症中,标准护理不足.
结论:
- 数字双胞胎框架促进了个性化放射治疗,改善了高度质瘤的治疗结果.
- 这种方法在最大限度地控制瘤和最大限度地减少辐射毒性之间提供了一个权衡.
- 允许量身定制的治疗策略,包括对侵略性瘤的剂量升级.
