多中心剂量预测使用基于变压器的注意力意识深度学习算法用于宫癌放射治疗.
1Department of Digital Medicine, School of Biomedical Engineering and Medical Imaging, Army Medical University, Chongqing, PR China; Department of Radiotherapy, Zigong First People's Hospital, Sichuan, PR China; Yu-Yue Pathology Research Center, Jinfeng Laboratory, Chongqing, PR China.
概括
一个新的深度学习算法AtTranNet准确地预测了多个中心的宫癌体积调制弧线疗法 (VMAT) 的辐射剂量. 它还显示出对子宫内膜癌VMAT没有再培训的承诺.
科学领域:
- 辐射瘤学 辐射瘤学
- 医学物理 医学物理
- 人工智能在医学中的应用
背景情况:
- 精确的辐射剂量传递对于使用体积调制弧线疗法 (VMAT) 进行有效的宫癌治疗至关重要.
- 现有的剂量预测方法可能会面临多中心数据和不同治疗处方的挑战.
研究的目的:
- 开发和验证一个深度学习 (DL) 算法AtTranNet,用于在宫癌中快速准确的3D剂量预测VMAT.
- 评估AtTranNet算法对子宫内膜癌VMAT的概括性,使用多种剂量处方.
主要方法:
- 该AtTranNet算法是为3D剂量预测而开发的.
- 367名宫癌患者的多中心数据集被用于培训,验证和测试.
- 外部验证包括45名宫癌患者和70名子宫内膜癌患者.
主要成果:
- 在AtTranNet中,对于宫癌的临床可接受的剂量预测准确度被证明是VMAT.
- 在内部测试中,体内的平均绝对误差为0.66 ± 0.63%.
- 该算法显示了对子宫内膜癌VMAT的可行性,而不需要转移学习.
结论:
- AtTranNet算法是一种可行的,准确的工具,用于多个机构的宫癌VMAT剂量预测.
- DL模型有效地将其推广到子宫内膜癌VMAT,突出其适应不同处方的适应性.


