预测使用对抗深度学习对宫癌高剂量支臂疗法治疗计划批准概率

科学领域:

• 医学物理 医学物理
• 人工智能在医学中的应用
• 辐射瘤学 辐射瘤学

背景情况:

• 准确的治疗计划对于有效的宫癌高剂量率支臂治疗 (HDRBT) 是至关重要的.
• 医生批准治疗计划是一个关键的步骤,通常需要人工审查.
• 深度学习为自动化和优化治疗计划流程提供了潜力.

研究的目的:

• 开发和验证一个深度学习框架,用于预测宫癌HDRBT的治疗计划批准概率.
• 评估风险器官 (OAR) 和临床目标体积 (CTV) 的剂量预测的准确性.
• 评估框架能够区分临床批准和不批准的治疗计划的能力.

主要方法:

• 开发了一个深度学习框架,包括剂量预测网络 (DPN) 和计划批准概率网络 (PPN).
• 根据患者解剖学和HDRBT处方,DPN预测了OAR D2和CTV D90%.
• 使用患者解剖学和组合HDRBT/外部光束放射治疗剂量,PPN预测了计划批准的概率. 网络分别接受培训,然后通过对抗性学习共同进行培训.
• 来自63名患者的248个治疗分量的数据集被用于培训和测试,包括交叉验证.

主要成果:

• 在预测2 Gy的等效剂量时,DPN实现了膀D2的11.51%±6.92%的相对误差,直肠D2的8.23%±5.75%的相对误差,西格体D2的7.12%±6.00%的相对误差,CTVD90%的10.16%±10.42%的相对误差.
• 在区分经批准的计划和被扰乱的未经批准的计划方面,PPN的准确度为0.70,灵敏度为0.74,特异性为0.65,曲线下的面积为0.74.

结论:

• 开发的深度学习框架显示了预测宫癌治疗计划批准概率的可行性.
• 这种人工智能驱动的方法是推进自动治疗计划系统的重要组成部分.
• 该框架能够预测剂量和计划接受,有望提高辐射瘤学的效率和一致性.