集成基于深度学习的剂量分布预测与贝叶斯网络,用于在上胃肠癌放射治疗中的决策支持
Dong-Yun Kim1,2, Bum-Sup Jang1, Eunji Kim1,3
1Department of Radiation Oncology, Seoul National University College of Medicine, Seoul, Korea.
Cancer research and treatment
|August 2, 2024
概括
这项研究开发了一种人工智能算法,以帮助选择TrueBeam (TBX) 和MRIdian (MRG) 辐射治疗系统,用于上部肠道癌症. 该算法使用深度学习和患者数据来推最佳系统,提高效率和结果.
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:
- 选择最佳的辐射疗法 (RT) 输送技术,如TrueBeam (TBX) 或磁共振引导门式输送 (MRG),是复杂的和资源密集的.
- 精确的运动管理对于有效的RT至关重要,特别是在器官运动显著的腹部癌症中.
研究的目的:
- 开发一种支持决策的算法,用于在上部胃肠道癌症中选择TBX和MRG系统.
- 将基于深度学习的剂量预测与临床数据集成为个性化RT规划.
主要方法:
- 对65名肝癌或胰腺癌患者的回顾性分析,这些患者接受了TBX和MRG模拟.
- 训练3D U-Net深度学习模型来预测剂量分布并生成剂量体积直方图 (DVH).
- 将预测的DVH指标和临床数据集成到贝叶斯网络 (BN) 模型中.
主要成果:
- 与TBX模型相比,MRG预测模型在预测剂量到计划目标体积 (PTV) 和肝脏方面的准确性更高.
- 一个最终的BN模型在接收器操作特征曲线下的面积达到83.56%.
- 瘤位置与空心粘膜器官相比,成为选择TBX和MRG之间的决策树中最关键的因素.
结论:
- 一个结合深度学习剂量预测和BN治疗选择的决策支持算法成功地证明了上部肠道癌症.
- 这种人工智能驱动的方法可以简化RT系统的选择,潜在地降低成本并提高患者治疗结果.
- 该算法提供了一个基于个体患者和瘤特征优化RT交付的框架.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
05:18Author Spotlight: Improving Radiation Therapy Access with Radiation Planning Assistant
Published on: October 6, 2023
1.3K
