在高剂量率 (HDR) 宫支臂疗法中,对应用器和混合间歇性针选择的机器学习模型的未来验证

科学领域:

• 医学物理 医学物理
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 妇科手臂疗法对于宫癌治疗至关重要.
• 精确的应用器和针选择会影响治疗的有效性和安全性.
• 目前的选择方法依赖于临床专业知识,可能存在局限性.

研究的目的:

• 临床验证一种机器学习 (ML) 模型,用于预测在妇科治疗中应用器和间歇性针位置.
• 为了评估ML模型的性能与辐射瘤学家的预测和剂量测量地面真相相对比.

主要方法:

• 一项前性研究涉及宫癌患者接受高剂量率支臂治疗.
• 一个预先训练的ML模型根据MRI的瘤几何学预测了应用器和针的安排.
• 将ML预测与放射瘤学家的决定和剂量测量最佳计划进行了比较.

主要成果:

• 该ML模型在应用器预测中实现了70%的准确性,与放射瘤学家相匹配.
• ML 显示了对需要间歇性应用器的患者的优异识别.
• ML预测的针排列改善了计划质量,并将危险器官剂量平均降低了2.0Gy.

结论:

• ML模型为妇科手腕治疗中应用器和针选择提供了有价值的决策支持.
• 该模型有可能改善辐射剂量计和患者的治疗结果.
• 需要进一步的多中心研究来确认可通用性.