基于Ethos模板的规划和基于AI的剂量预测的比较:一般性能,患者的最佳性和限制

科学领域:

• 辐射瘤学 辐射瘤学
• 医学物理 医学物理
• 放射治疗规划 放射治疗规划

背景情况:

• 在线适应性放射治疗 (ART) 旨在通过在治疗期间调整计划来提高治疗准确性.
• 基于模板的自动剂量规划 (Etb) 为高效的ART提供了一个潜在的解决方案.
• 与深度学习等先进方法相比,评估Etb的性能对于临床采用至关重要.

研究的目的:

• 评估以Ethos模板为基础的前列腺癌自动规划 (Etb) 的整体性能.
• 评估Etb在生成最佳患者计划方面的能力.
• 将Etb与深度学习剂量预测和剂量模拟 (DP + DM) 进行比较.

主要方法:

• 进行了两项研究:S1研究与45名患者的手动计划 (MG) 进行了比较.
• 研究-S2分析了10个具有挑战性的案例,比较了EG_init,更新的Etb (EG_upd_selected),DP + DM和MG.
• 使用剂量-体积组图 (DVH) 度量对有风险的器官来评估计划质量.

主要成果:

• Etb (EG_init) 在剂量>50 Gy (平均差异<0.6%与MG) 的情况下表现令人满意.
• 较低剂量指标 (V30Gy直肠,V20Gy门) 与EG_init.init显示出较大的差异 (6.6%,13.0%).
• 与Etb相比,DP + DM在较小的度量差异 (3.4%,4.6%) 中取得了优异的结果,而不会影响高剂量约束.

结论:

• Etb为前列腺癌放射治疗提供了令人满意的一般性能.
• 基于模板的目标优化可以限制复杂的患者解剖学.
• 在这项研究中,深度学习剂量预测和剂量模拟 (DP + DM) 在患者最佳计划方面表现优于Etb.