评估一个自动化临床决策系统,深度学习剂量预测和NTCP模型用于前列腺癌质子疗法

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:

• 质子疗法通过减少正常组织并发症,比光子疗法提供了潜在的好处.
• 准确预测正常组织并发症概率 (NTCP) 对患者选择至关重要.
• 对于NTCP评估而言,传统的剂量比较是耗时的.

研究的目的:

• 评估深度学习 (DL) 剂量预测模型的可行性,以确定受益于质子疗法的患者.
• 评估基于DL的NTCP预测对治疗选择的准确性.
• 量化剂量预测不确定性对患者选择准确性的影响.

主要方法:

• 开发了两个3D UNet模型,用于预测光子和质子剂量.
• 利用95名局部前列腺癌患者的数据集进行培训,验证和测试.
• 采用NTCP模型用于晚期直肠出血和急性泌尿急性 (等级≥2) 以量化质子治疗的益处.

主要成果:

• DL剂量预测将计划比较时间从2天减少到5秒.
• 对直肠和膀终点预测NTCP差异的扩大不确定性很低 (<1/3可接受的耐受性).
• 实现了高平均患者选择准确度:直肠出血90%;尿急93.5%;复合评估93.5%.

结论:

• 深度学习剂量预测有效地区分了NTCP在光子和质子疗法之间的差异.
• 剂量预测的不确定性不会显著影响基于NTCP的患者选择准确性.
• 自动DL剂量预测和NTCP评估可以简化患者查并减少放射治疗延迟.