使用深度强化学习优化局部前列腺癌的临床VMAT机器参数优化

科学领域:

• 医学物理 医学物理
• 辐射瘤学 辐射瘤学
• 医疗保健中的机器学习

背景情况:

• 卷度调节弧度疗法 (VMAT) 机器参数优化 (MPO) 是计算密集且对剂量目标敏感的.
• 强化学习 (RL) 通过试错的机器学习提供了一个潜在的解决方案.

研究的目的:

• 在临床线性加速器 (linac) 上开发和评估VMAT MPO的RL方法.
• 快速自动生成局部前列腺癌的可交付VMAT计划.
• 为了比较RL生成计划的剂量与现有的临床计划.

主要方法:

• 扩展了以前的RL方法,使用VMAT MPO的3D光束模型的策略网络.
• 训练RL以最小化基于剂量的成本函数,使用136名前列腺癌患者的数据.
• 将受过训练的RL VMAT应用于15名患者的独立队列,并将剂量测量与临床计划进行比较.
• 集成RL与临床治疗计划系统 (TPS) 进行自动化计划改进.

主要成果:

• 在勘探期间,RL培训产生了40,000个计划.
• 可交付的VMAT计划的平均执行时间为3.3 ± 0.5秒,TPS改进需要额外的77.4 ± 5.8秒.
• 与临床计划 (21.0 ± 6.0 Gy) 相比,RL + TPS计划实现了类似的目标覆盖率和总体最大剂量,平均直肠剂量明显较低 (17.4 ± 7.4 Gy).

结论:

• 在临床 linac 模型上开发并应用了 VMAT MPO 的 RL 方法.
• 当RL VMAT方法与临床TPS相结合时,可以快速生成局部前列腺癌的高质量计划.
• 这种方法显示了通过自动试错来发现先进的临床控制策略的潜力.